论文研究 基于不同损失和距离函数的乘更新分类算法.pdf

与批处理的学习算法相比较，在线预测的算法由于在大样本集上具有预测准确性高、时间的空间复杂度小，因此占有非常大的优势。对于Warmuth与Jivinen提出的保守性和权衡正确性的在线学习框架，已经得到相当广泛的应用，但是在他们所提出的指数梯度下降算法以及梯度下降算法中，对于目标函数中的损失函数，在其求导过程中使用近似步骤将会造成在线学习结果的恶化。根据对偶的最优化理论，基于不同损失函数与距离函数，提出了变更新分类算法。通过一系列的实验分析与研究，结果表明，该算法使得预测准确率得到了很大的提高，从而验证了该算法的正确性、可行性和有效性。