基于Hadoop平臺的分布式SVM參數(shù)尋優(yōu)

　　參數(shù)的選擇對算法分類與預(yù)測的正確率有直接影響。在參數(shù)選擇中全局網(wǎng)格搜索有著計(jì)算可靠、簡單、優(yōu)化效果明顯的優(yōu)勢，適合應(yīng)用于可靠性要求高的工程運(yùn)算，如在復(fù)雜系統(tǒng)的故障診斷中對故障模式識別算法進(jìn)行參數(shù)尋優(yōu)等。但是，全局網(wǎng)格搜索在尋優(yōu)過程中耗時(shí)過長，仍然是一個(gè)制約其使用的問題，尤其對于實(shí)時(shí)性要求較高的系統(tǒng)。以支持向量機(jī)的參數(shù)全局尋優(yōu)問題為例，針對網(wǎng)格搜索尋優(yōu)時(shí)間長的缺點(diǎn)，利用Hadoop平臺進(jìn)行分布式參數(shù)尋優(yōu)，借助HDFS將參數(shù)自動劃分到計(jì)算節(jié)點(diǎn)上，并運(yùn)用MapReduce計(jì)算框架建立分布式參數(shù)尋優(yōu)模型，完成模型訓(xùn)練預(yù)測及參數(shù)優(yōu)化。實(shí)驗(yàn)結(jié)果表明，在不降低算法性能的前提下提高了尋優(yōu)效率。