MapReduce-并行支持向量机（PSVM）第二部分之原始对偶内点法

MapReduce----并行支持向量机（PSVM）第二部分之原始对偶内点法

纠错张智威老师关于并行支持向量机的文章：

《PSVM:Parallelizing Support Vector Machines on Distributed Computers》，

在并行原始对偶内点算法中，迭代步长的符号非常混乱，所以，我这里又重新解了一遍。

—————————————————————————————————————————————————————

支持向量机的原问题的对偶问题模型：

     

       

其中：

，，，，。

我们把上述模型，变成用原始对偶问题求解凸二次规划问题的标准形式：

            

下面给出上述模型的Lagrange函数：

，

然后，我们给出上述最优化问题最优解满足的kuhn-Tucker条件：

其中：

，，。

下面给出扰动的Kuhn_Tucker条件：

原始对偶内点法就是用Newton法解上面的扰动的Kuhn_Tucker条件，通过下式求解迭代步长：

，

第一步求解，通过第三式求解：

，

。

第二步求解，通过第四式求解：

，

。

第三步求解，通过第一式求解：

，

通过第二式得到，即：，又根据和得：

，

，

，

我们令：

，

，

，

则可简化为：

，

，

，

则：

。

第四步求解，通过第一式求解：

，

，

利用上面的表示方法，我们得到：

，

。

至此，我们计算出了迭代步长。