我有一个机器学习问题，输入是高维的标记数据，样本量相对较小。通过使用非常棒的可视化指南，我选择了svm_c_linear_trainer方法。但从文档中我了解到，类似的svm_c_linear_dcd_trainer有“热启动”的选项，这听起来比“冷启动”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，主要区别在于应用于未标记数据的情况。

使用svm_c_linear_dcd_trainer处理标记数据会有什么问题吗，或者有其他什么好的理由说明svm_c_linear_trainer更好？

回答：

这篇关于双下降SVM的文章以及DLib网站上的文档显示，svm_c_linear_dcd_trainer可以作为标准线性SVM的直接替代品。

据称其性能更为优越（引用自上述文章）：

实验表明，我们的方法比现有最先进的实现更快。

…因为该算法据说在优化利用上做得更好，同时给出的结果与标准SVM算法相同。

文章的第6页和第7页对比了不同数据集上的其他算法，可能会对你特别有帮助。