线性不可分情况
线性可分问题的支持向量机学习方法,对线性不可分训练数据是不适用的,为了满足函数间隔大于1的约束条件,可以对每个样本 (xi,yi) 引进一个松弛变量 ξi≥0 ,使函数间隔加上松弛变量大于等于1,,
目标函数变为
其中,C>0称为惩罚参数,值越大对误分类的惩罚越大,值越小对误分类的惩罚越小。
因此,最小化目标函数也就是使 12||w||2 尽量小(间隔尽量大),同时使误分类点的个数尽量小。
线性不可分的线性支持向量机的学习问题变成如下凸二次规划问题:
线性支持向量学习算法
- 选择惩罚参数C>0,构造并求解凸二次规划问题
求得最优解 α∗=(α∗1,α∗2,…,α∗N)T
- 计算 w∗=∑Ni=1α∗iyixi
选择 α∗ 的一个分量 α∗j 适合条件 0<α∗j<C ,计算
- 求得分离超平面
分类决策函数:
核函数
用线性分类方法求解非线性分类问题分为两步:首先使用一个变换将原空间的数据映射到新空间;然后在新空间里用线性分类学习方法从训练数据中学习分类模型。
核技巧应用在支持向量机的基本思想:通过一个非线性变换将输入空间(欧式空间 Rn 或离散集合)对应于一个特征空间(希尔伯特空间H),使得在输入空间 Rn 中的超曲面模型对应于特征空间H中的超平面模型(支持向量机)。
非线性支持向量分类机
非线性支持向量机
从非线性分类训练集,通过核函数与间隔最大化或凸二次规划,学习得到的分类决策函数:
称为非线性支持向量, K(x,z) 是正定核函数。
学习算法
- 选择适当的核函数 K(x,z) 和适当的参数C,构造并求解最优化问题
求解最优解 α∗=(α∗1,α∗2,…,α∗N)
- 选择 α∗ 的第一个正分量 0<α∗j<C ,计算
- 构造决策函数
序列最小优化算法
SMO算法是一种启发式算法。如果所有变量都满足KKT条件,那么这个最优化问题就解决了(KKT问题是该最优化问题的充要条件),否则,选择两个变量,固定其他变量,针对这两个变量构造二次规划问题。该方法会使原始二次规划问题的目标函数变小,不断分解自问题并对子问题求解进而达到求解原问题的目的。
由于
所以
两个变量的二次规划求解
假设选择两个变量 α1,α2 ,
由于只有两个变量 (αi,αj) ,因此根据两变量的符号情况约束条件可用二位空间中的图表示(参考 α1y1+α2y2=ξ(常数) ),
L和H是 α 取值的最小和最大值,如果 yi!=yj ,则
如果 yi=yj ,则
令
得到误差值:
此最优问题的解是:
其中,
ϕ(x) 为输入空间到特征空间的映射,经过剪辑后是
则 αnew1 为
变量的选择方法
SMO算法在每个子问题中选择两个变量优化,其中至少一个变量是违反KKT条件的。
1.第1个变量的选择
SMO算法在外层循环中选取违反KKT条件最严重的样本点,并将其对应的变量作为第1个变量,KKT条件如下
其中, g(xi)=∑Nj=1αjyjK(xi,xj)+b 。
该检验在 ϵ 范围内进行的,在校验过程中,外层循环首先遍历所有满足条件 0<αi<C 的样本点,即在间隔边界上的支持向量点,检验它们是否满足KKT条件。如果这些样本点都满足KKT条件,那么遍历整个训练集,检验它们是否满足KKT条件。
2.第2个变量的选择
SMO算法在内层循环,假设在外层循环中已经找到第一个变量 α1 ,现在要在内层循环中找到第2个变量 α2 ,第2个变量选择的标准是希望能使 α2 有足够的变化。根据上一节可知, αnew2 是依赖 |E1−E2| 的,为了加快计算速度,最简单的做法是选择 |E1−E2| 最大的(如果 E1 为负值,则选择最大的 Ei 作为 E2 ,否则选择最小的 Ei 为 E2 ,需要保存所有的 Ei )。
3.计算阈值b和差值 Ei
在每次完成两个变量优化后,都要重新计算阈值b。
由KKT条件得
从而
由于 Ei=g(xi)−yi=(∑Ni=1αiyiK(xi,x)+b)−yi , \quad i = 1,2$,则
将上式中的 yi−∑Ni=3αiyiKi1 代入 bnew1 的公式中,得到
对于b的取值: