TY - JOUR A2 - Wang, Pengwei AU - Song, Yunsheng AU - Kong, Xiaohan AU - Huang, Shuoping AU - Zhang，AB - Logistic回归由于其深厚的理论基础和良好的实用性能，在人工智能和机器学习中得到了广泛的应用。其训练过程旨在解决以似然函数为特征的大规模优化问题，其中梯度下降方法是最常用的。然而，当数据量较大时，它是非常耗时的，因为它在每次迭代中使用所有的训练数据计算梯度。虽然这种困难可以通过随机抽样来解决，但适当的抽样样本大小很难确定，并且所得到的结果可能不稳健。为了克服这一缺陷，我们提出了一种新的自适应采样快速训练逻辑回归的算法。该方法将梯度估计问题按其维数分解为若干个子问题;然后，利用自适应采样方法独立求解每个子问题。梯度估计的每个元素都是通过对一个固定体积的训练实例进行多次连续采样得到的，直到它满足其停止准则。最后的估计与所有子问题的结果相结合。 It is proved that the obtained gradient estimation is a robust estimation, and it could keep the objective function value decreasing in the iterative calculation. Compared with the representative algorithms using random sampling, the experimental results show that this algorithm obtains comparable classification performance with much less training time. SN - 1058-9244 UR - https://doi.org/10.1155/2021/9991859 DO - 10.1155/2021/9991859 JF - Scientific Programming PB - Hindawi KW - ER -