SVM支持向量机二(Lagrange Duality)
上一节我们得到了结论就是 Maximum margin 的化简结论:
然而我们应该怎么解决他呢,我们可以把s.t.的约束表示为gi(w)<=0,可以的把,自己看看就会了?这里就要用到 Lagrange Duality 数学知识了,不急我们下面先抛开上面的结论,至讲解一些数学知识:
1.Lagrange数学方法
2.Duality(对偶性问题)转换过程(必须满足KKT条件)
3.满足KKT条件转化 min max L()到 max min L()
4.为什么叫做支持向量机(Support Vector Machine)
--------------------------------------------------------------------------------------------------------------
1.Lagrange数学方法
(1)Lagrange去掉等式约束 的情况:
最大化问题带等式约束 g(X)==0 的情况:处理方法就是给约束乘以一个系数加到原命题上,然后求导得出结果:下面回顾一下本科阶段做的简单例题加深印象吧!
(2)Lagrange去掉不等式约束 的情况:
这里是不等式约束的情况,大家千万注意我画的两个红圆圈,这个对以后判断 支持向量 的点很重要,那是你就明白为什么叫支持向量机(Support Vector Machine)了
(3)Lagrange同时去掉等式约束和不等式约束 的情况:
至此Lagrange数学知识介绍完毕了!下面再进一步看看,就可以解决我们开头提出的问题了
----------------------------