34、SVM训练软件性能评估与分析

SVM训练软件性能评估与分析

1. 性能评估指标

SVM（支持向量机）实现的性能取决于多个变量，如训练向量的数量和维度、核参数、数据集细节以及收敛标准等。基准测试的目标不仅是找出求解时间最快的实现，更重要的是评估每种方法在不同问题空间中的表现。

• 训练时间 ：训练的时钟时间是重要的性能指标，因为它通常是SVM应用求解时间的决定步骤。
• 分类器质量 ：通过两种方式评估分类器质量：
  • ROC曲线下面积 ：ROC曲线是真正率与假正率的函数图。理想分类器的ROC曲线下面积为1.0，随机分类器的面积为0.5。
  • F - 度量 ：它是精确率和召回率的调和平均值，计算公式为 (F - measure = \frac{2\times Pr\times Re}{Pr + Re})，其中 (Re=\frac{TP}{TP + FN})，(Pr=\frac{TP}{TP + FP})，TP为真正例，TN为真反例，FP为假正例，FN为假反例。
• 机器利用率和硬件扩展性 ：评估不同方法的机器利用率效率以及硬件利用率的扩展性，有助于识别有利于特定实现的硬件方面，解释训练时钟时间差异的原因。除时钟时间外，还记录内存占用和硬件利用率的多个方面，如浮点单元使用、内存带宽和指令停顿等。

2. 不同SVM实现的训练时间

对四种SVM训练实现（GIST、LI