【Abee】吃掉西瓜——西瓜书学习笔记（五）

【Abee】吃掉西瓜——西瓜书学习笔记（五）

支持向量机（Support Vector Machine，SVM）

 

目录

【内容包含 第六章】

间隔与支持向量

核函数

软间隔（soft margin）

正则化(regularization)

支持向量回归（Support Vector Regrassion,SVR）

核方法

---

间隔与支持向量

分类学习的主要思想是在样本空间中找到一个划分超平面，将不同样本分开。

超平面可以定义为

                                                                                  

其中w是法向量，决定超平面的方向，b是位移项，决定超平面到原点的距离。

样本空间中任意点到超平面（w，b）的距离为（根据点到平面的距离公式，这里是超平面，应该是广义的）

                                                                                

令

                                                                         

离超平面最近的几个样本点（可能不止正反两个）使上式成立，被称为支持向量（support vector），异类支持向量的距离和为

                                                                                     

即 间隔（margin）

支持向量机即使间隔最大化

                                                                           

对偶问题(引入拉格朗日乘子)

                                                      

解出后即可得到模型的w，b

求解的方法主要是二次规划算法，比如SMO（Sequential Minimal Optimization），每次更新两个参数，把其他的变量固定，不断迭代直至收敛（每次选取的两个变量对应的样本之间的间隔最大，可以尽快的收敛）

 

---

核函数

并非所有问题都是线性可分的，需要把样本从原始空间映射至高维空间，则模型可以表示为

                                                                             

                                                                           

相应的对偶问题

                                                     

 

假设存在核函数  (kernel function)

                                                                         

此时模型为

                                                                       

只要一个对称函数所对应的核矩阵半正定，就能作为核函数使用，，一个半正定核矩阵总是能找到一个与之对应的映射,隐式的定义了一个 再生核希尔伯特空间（Reproducing Kernel Hilbert Space，RKHS）

 

常用的核函数：线性核、多项式核、高斯核、拉普拉斯核、Sigmoid核

 

软间隔（soft margin）

虽然可以通过升维来实现线性可分，不过仍然是很困难的，引入软间隔的概念，即允许SVM在一些样本上出错

                                                       

                                                                       

由于  数学性质不好，常用的替代损失函数：

     hinge损失：

     指数损失: 

     对率损失：

引入松弛变量 ,软间隔支持向量机为

                                                                   

 

正则化(regularization)

                                                                 

其中是正则化项，也称为 结构风险（structural risk），C为正则化常数，为常用的正则化项，范数倾向于w的分量取值均衡，范数则倾向于w分量尽量稀疏。

 

支持向量回归（Support Vector Regrassion,SVR）

SVR的损失计算允许f(x)和y之间有最小的偏差，若样本落入2的间隔带中，被认为是正确预测，不计损失。

                                                                     

此时SVR的解为

                                                                  

 

核方法

当正则化项为单调递增时，优化问题的解总可以写成核函数  的线性组合。

比如可以通过引入核函数吧线性判别器扩展为非线性判别器，比如 核线性判别分析（Kernelized Linear Discriminant Analysis，KLDA）

假设存在映射

                                                                            

核函数

                                                                     

                                                                           

学习目标为