參數(shù)的選擇對算法分類與預測的正確率有直接影響。在參數(shù)選擇中全局網(wǎng)格搜索有著計算可靠、簡單、優(yōu)化效果明顯的優(yōu)勢，適合應用于可靠性要求高的工程運算，如在復雜系統(tǒng)的故障診斷中對故障模式識別算法進行參數(shù)尋優(yōu)等。但是，全局網(wǎng)格搜索在尋優(yōu)過程中耗時過長，仍然是一個制約其使用的問題，尤其對于實時性要求較高的系統(tǒng)。以支持向量機的參數(shù)全局尋優(yōu)問題為例，針對網(wǎng)格搜索尋優(yōu)時間長的缺點，利用Hadoop平臺進行分布式參數(shù)尋優(yōu)，借助HDFS將參數(shù)自動劃分到計算節(jié)點上，并運用MapReduce計算框架建立分布式參數(shù)尋優(yōu)模型，完成模型訓練預測及參數(shù)優(yōu)化。實驗結果表明，在不降低算法性能的前提下提高了尋優(yōu)效率。