刘晓莹，杨宝华

一种改进的SMO分类算法

刘晓莹，杨宝华

摘要:针对序列最小优化(SMO)算法对大规模数据集训练速度慢、分类精度不够高的问题，提出了一种改进方法。该方法对SMO算法的核函数进行改进，通过增大二次项系数的绝对值提高分类正确率，并结合网格搜索法优化基于核函数改进的SMO算法的有关参数。实验结果表明，该算法显著提高了分类的正确性，缩短了算法的建模时间。

关键词:支持向量机；SMO算法；核函数；参数寻优

随着人类社会的快速发展，信息技术、互联网、云计算、物联网等诸多领域的突破，使大量的数据在急剧膨胀，因此迫切需要更加快速、精确的方法对收集到的海量数据进行分类，以便从中提取出有效的、新颖的、精炼的、可理解的知识。现有的分类算法[1]有很多种，比如经典的有决策树、人工神经网络、贝叶斯、支持向量机等方法。

近年来，SMO算法[2]已经受到越来越多研究者的关注。项堃[3]等人提出一种运用删减部分支持向量，提前结束循环条件的策略；王越[4]等人选取优化步长最大的违反KKT条件的样本和其配对样本；王朝辉[5]等人通过改变存储策略，将算法中的五个工作集替换成三个工作集；骆世广[6]等人提出将算法的终止条件改为目标函数值的改变量，并改变SMO后期迭代循环条件。

上述算法仅在缩短训练时间方面已经取得了一定的改进，但当训练大规模数据集时，SMO分类效果还不够明显，分类正确率也需要进一步的提高。……