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。
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。