《表4 SVM常见并行化实现方式的对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《支持向量机在智能交通系统中的研究应用综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

(3）基于Spark的并行化。Spark是专为大规模数据处理而设计的快速通用的计算引擎，平台中拥有MLlib机器学习库，包含了分类算法、聚类算法、推荐算法等函数[83]。文献[84]根据Cascade SVM的思想，提出了一种基于Spark平台的并行化方案（SP-SVM）。实验结果表明，SP-SVM在损失很小精度的前提下减少了训练时间。文献[85]利用SVM结合Spark平台对Twitter推文进行文本分类，实现了一种检测交通实时事件的新方法。基于Spark的并行同样拥有较好的扩展性和容错率，但其优势也带来了问题。Spark在内存中计算远快于硬盘中，内存消耗大导致其需要更好的硬件设备支撑。MLlib的API丰富且调用简单，但不支持修改内部逻辑，大部分算法都只能简单调用而不能优化。表4列出了3种SVM常见并行化方式的对比。