我遇到了带有高维标记输入和相对较小样本量的机器学习问题。使用非常酷的visual guide使我进入了svm_c_linear_trainer方法。但是我从文档中了解到的是，类似的svm_c_linear_dcd_trainer可以选择``热启动''，这听起来比``冷启动''更好，例如在交叉验证循环中。但是，svm_c_linear_dcd_trainer是针对不同类型问题的选择方法，主要区别是应用于未标记的数据。
在标记的数据上使用svm_c_linear_dcd_trainer会不会有问题，或者svm_c_linear_trainer会更好吗？
最佳答案
关于双下降SVM的article以及DLib网站上的documentation显示，svm_c_linear_dcd_trainer可以用作标准线性SVM的直接替代品。
它应该具有出色的性能（引用文章的引文）：
实验表明，
该方法比最新的实现方式快。
...因为该算法据说可以更好地利用优化功能，同时还能提供与标准SVM算法相同的结果。
在文章的第6页和第7页中，将它与几个不同数据集上的其他算法进行了比较可能对您特别有趣。
关于machine-learning - 什么时候Dlib的svm_c_linear_trainer比svm_c_linear_dcd_trainer好？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/55164273/