分类是机器学习中一个非常重要的方法,在已有数据的基础上构造出一个分类模型,用来判定新的测试数据的类别。同时稀疏化模型的研究成为研究的热点,希望算法可以得到很好的分类效果,同时得到稀疏的参数模型。本文基于稀疏模型对分类算法进行研究,使得分类模型具有稀疏特性并且提高了预测准确性。　　 把坐标下降方法应用到最小二乘支持向量机分类器中,提出了坐标下降L2范数LS-SVM分类算法。使LS-SVM中模型向量的优化问题简化为特征分量的单目标逐次优化问题,有效减少算法运行时间,解决了高维数据运算问题。　　 L1范数应用到算法模型中,可以使模型稀疏化。在逻辑斯蒂模型中引入L1范数正则项,通过新向量的转化,有效的解决了L1范数的正则化问题,提出了双正则化逻辑斯蒂算法模型。在各种实际数据集上验证了算法具有很好的特征选择和分类性能,优于L2范数、L1范数。　　 算法中正则化阶次通常是事先给定的,通常假定正则化的阶次为L1或者L2。但是实验研究显示,不同的数据,使用不同的正则化阶次,可以改进分类算法的预测准确率。提出了迭代再权共轭梯度q范数正则化LS-SVM分类器算法,把q取值扩大到有理数范围。采用有理数范数,分类效果往往比整数范数分类效果好。