Dlib 的 svm_c_linear_trainer 什么时候比 svm_c_linear_dcd_trainer 好?

When is Dlib's svm_c_linear_trainer better than svm_c_linear_dcd_trainer?

我遇到了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 将我带到了 svm_c_linear_trainer 方法。但我从文档中了解到,类似的 svm_c_linear_dcd_trainer 可以选择 'warm-start',这听起来比 'cold-start' 更好,例如,在交叉验证循环中。然而,svm_c_linear_dcd_trainer 是为不同类型的问题选择的方法,主要区别在于对未标记数据的应用。

在标记数据上使用 svm_c_linear_dcd_trainer 会不会有问题,或者是否有其他充分理由说明 svm_c_linear_trainer 更好?

DLib 网站上的这个 article about the Dual-Descent SVM and also the documentation 表明,svm_c_linear_dcd_trainer 可以用作标准线性 SVM 的直接替代品

它应该具有优越的性能(引自提到的文章):

Experiments show that our method is faster than state of the art implementations.

... 因为该算法据称可以更好地利用优化,同时给出与标准 SVM 算法相同的结果。

文章中的第 6 和 7 页,其中将它与几个不同数据集上的其他算法进行了比较,您可能特别感兴趣。