SVM分类方法

http://blog.csdn.net/v_july_v/article/details/7624837

1 、要对特征值 Xi 进行分类，可设决策函数是所有 Xi 的函数，分类函数是这样的：

或者                         f ( x )=  W'*x+b;W= Σαi*yi*xi

 

分类函数由所有特征值 Xi 的权重 αi 和阀值 b 决定。

当f(x)>0为正确分类，f(x)=0为分类边界Optimal Hyper Plane，如下图中间红线，改变W和b可以使距分类边界最近的点f(x)=1,如下图红线两边的线，其到Optimal Hyper Plane的几何距离为1/||w||，最佳分类将使其最大，意味着分的最开。

 

 maximum margin classifier 的目标函数   

  

 

     通过最大化  margin  ，我们使得该分类器对数据进行分类时具有了最大的  confidence  。但，这个最大分类间隔器到底是用来干嘛的呢？很简单， SVM 通过使用最大分类间隙Maximum Margin Classifier 来设计决策最优分类超平面 ，而为何是最大间隔，却不是最小间隔呢？因为最大间隔能获得最大稳定性与区分的确信度，从而得到良好的推广能力 ( 超平面之间的距离越大，分离器的推广能力越好 。）

    So ，对于什么是 Support Vector Machine  ，我们可以先这样理解，如上图所示，我们可以看到  hyper plane  两边的那个  gap  分别对应的两条平行的线（在高维空间中也应该是两个  hyper plane ）上有一些点，显然两个超平面 hyper plane  上都会有点存在，否则我们就可以进一步扩大  gap  ，也就是增大  1/||w||  的值了。这些点，就叫做  support vector 。

     到底什么是 Support Vector   

    可以看到两个支撑着中间的 gap 的超平面，它们到中间的纯红线separating hyper plane 的距离相等，即我们所能得到的最大的 geometrical margin  γ˜ 。而“支撑”这两个超平面的必定会有一些点，而这些“支撑”的点便叫做支持向量Support Vector。

 

2 、 Optimal Hyper Plane： 找到距红线为 1/||w|| 的 Support Vector 的点（其 f(x)=1 ）后，可以看到，非 Support Vector 的点对分类没有影响，其增减都不影响 Optimal Hyper Plane 即 f(x)=0 的位置，所以非 Support Vector 的点的影响系数 αi 为 0

 

如何找到这个最优的 Optimal Hyper Plane？

等价于

 

 

通过给每一个约束条件加上一个 Lagrange multiplier(拉格朗日乘值)： α，我们可以将约束条件融和到目标函数里去(也就是说把条件融合到一个函数里头，现在只用一个函数表达式便能清楚的表达出我们的问题) ：

在约束条件下L(w,b,α)≤L(w,b),“=”在max()成立。

min[]=

 

   然后我们令

 

 

 

   我们现在的目标函数变成了：

 

这个问题和我们最初的问题是等价的。不过，现在我们来把最小和最大的位置交换一下（ 稍后，你将看到，当下面式子满足了一定的条件之后，这个式子 d  便是上式 P 的对偶形式表示）：

 

    当然，交换以后的问题不再等价于原问题，这个新问题的最优值用d*来表示。并且我们有 d*<=p* ，这在直观上也不难理解，最大值中最小的一个总也比最小值中最大的一个要大吧！  总之， 第二个问题的最优值 d* 在这里提供了一个第一个问题的最优值 p* 的一个下界，在满足某些条件的情况下，这两者相等，这个时候我们就可以通过求解第二个问题来间接地求解第一个问题。

     上段说 “在满足某些条件的情况下 ” ，这所谓的 “ 满足某些条件 ” 就是要满足 KKT 条件。而什么是 KKT 条件呢？据网上给的资料介绍是 ( 更多见维基百科： KKT 条件) 。

经过论证，我们这里的问题是满足  KKT  条件的，因此现在我们便转化为求解第二个问题。也就是说，现在，咱们的原问题通过满足一定的条件，已经转化成了对偶问题。而求解这个对偶学习问题，分为两个步骤，首先要让L(w，b，a) 关于  w 和  b 最小化， 然后求对 α的极大。

    （1）、首先固定 α，要让  L 关于  w 和  b 最小化，我们分别对w，b求偏导数，即令  ∂ L /∂ w 和  ∂ L /∂ b 等于零：

 

∂ L ∂ w =0⇒w=∑αiyixi

∂ L ∂ b =0⇒∑αiyi=0

 

    带回上述的  L ： 

   ，得到：

 

 

（2）、求对α的极大，即是关于对偶变量dual variable  α 的优化问题

得到α后，据，即可求出w。然后通过，即可求出b 

求α如下：

（细心的读者读至此处，对于：“转换成求maxL(w,b,α)后怎么求α的值呢？”，可能依然心存疑惑，没关系，我告诉你，在本文文末的参考文献及推荐阅读的条目9：统计学习方法[李航著]，中的第7章第7.4节、SMO-序列最小最优化算法的内有提到关于a的求解过程，读者有兴趣可以参考之）

 

 

 

KKT条件可参考：http://blog.csdn.net/johnnyconstantine/article/details/46335763

SMO见http://blog.csdn.net/yclzh0522/article/details/6900707