网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
ωTxi+b=1成立。以此作为限制条件,这样就可以把分母消去了。
该约束条件可表示为
r
i
=
ω
T
x
i
b
∣
∣
ω
∣
∣
y
i
≥
1
∣
∣
ω
∣
∣
r_i =\frac{\omega^Tx_i + b}{||\omega||}y_i≥\frac{1}{||\omega||}
ri=∣∣ω∣∣ωTxi+byi≥∣∣ω∣∣1
提示:这里的限制条件只用了一个表达式表示,实际上有m个(m也是样本点的个数)。每个样本点对应一个限制条件。
当且仅目标当样本
x
i
x_i
xi为支持向量时,等号成立,取得点到超平面的最小距离
1
∣
∣
ω
∣
∣
\frac{1}{||\omega||}
∣∣ω∣∣1。
目标函数,即点到超平面的最小距离
1
∣
∣
ω
∣
∣
\frac{1}{||\omega||}
∣∣ω∣∣1。要使该最小距离最大化,即
∣
∣
ω
∣
∣
||\omega||
∣∣ω∣∣最小,为了后边计算方便,进一步将研究问题及表达式转化为,求
1
2
∣
∣
ω
∣
∣
2
\frac{1}{2}||\omega||^2
21∣∣ω∣∣2关于
ω
\omega
ω和
b
b
b的最小值。
目标函数即:
m
i
n
ω
,
b
1
2
∣
∣
ω
∣
∣
2
min_{\omega,b}\frac{1}{2}||\omega||^2
minω,b21∣∣ω∣∣2
进一步,限制条件可再转化为:
(
ω
T
x
i
b
)
y
i
−
1
≥
0
(\omega^Tx_i + b)y_i-1 ≥ 0
(ωTxi+b)yi−1≥0
2.2 Part2 SVM拉格朗日乘子法求解
现在我们已经得到了目标函数表达式与限制条件的表达式,可以使用拉格朗日乘子法对其进行求解。
构建拉格朗日函数表达式如下:
L
(
ω
,
b
,
λ
)
=
1
2
∣
∣
ω
∣
∣
2
∑
i
=
1
m
λ
i
[
1
−
(
ω
T
x
i
b
)
y
i
]
L(\omega,b,\lambda)=\frac{1}{2}||\omega||2+\sum_{i=1}{m}{\lambda_i}{[1-(\omega^Tx_i+b)y_i]}
L(ω,b,λ)=21∣∣ω∣∣2+∑i=1mλi[1−(ωTxi+b)yi]
=
1
2
ω
T
ω
∑
i
=
1
m
λ
i
[
1
−
(
ω
T
x
i
b
)
y
i
]
=\frac{1}{2}\omega^T \omega+\sum_{i=1}{m}{\lambda_i}{[1-(\omegaTx_i+b)y_i]}
=21ωTω+∑i=1mλi[1−(ωTxi+b)yi]
目标问题是一个凸二次规划问题:目标函数是二次型函数,且约束函数是仿射函数。所以该问题有全局最小值。
其中,
λ
\lambda
λ是拉格朗日乘子,这里的m是样本的个数,每个样本对应一个拉格朗日算子,共计m个拉格朗日算子,对应m个限制条件。
对
F
(
ω
,
b
,
λ
)
对F(\omega,b,\lambda)
对F(ω,b,λ)求关于
ω
\omega
ω 和
b
b
b的偏导,并令其为0,再求解:
∂
L
(
ω
,
b
,
λ
)
∂
ω
=
ω
−
∑
i
=
1
m
λ
i
y
i
x
i
=
0
\frac{∂L(\omega,b,\lambda)}{∂\omega}=\omega-\sum_{i=1}^{m}\lambda_iy_ix_i=0
∂ω∂L(ω,b,λ)=ω−∑i=1mλiyixi=0
∂
L
(
ω
,
b
,
λ
)
∂
b
=
−
∑
i
=
1
m
λ
i
y
i
=
0
\frac{∂L(\omega,b,\lambda)}{∂b}=-\sum_{i=1}^{m}\lambda_iy_i=0
∂b∂L(ω,b,λ)=−∑i=1mλiyi=0
解得
ω
=
∑
i
=
1
m
λ
i
y
i
x
i
\omega=\sum_{i=1}^{m}\lambda_iy_ix_i
ω=∑i=1mλiyixi
0
=
∑
i
=
1
m
λ
i
y
i
0=\sum_{i=1}^{m}\lambda_iy_i
0=∑i=1mλiyi
将求解结果带回原
L
(
ω
,
b
,
λ
)
L(\omega,b,\lambda)
L(ω,b,λ),并进一步化简得:
L
(
ω
,
b
,
λ
)
=
1
2
ω
T
ω
∑
i
=
1
m
λ
i
−
ω
T
∑
i
=
1
m
λ
i
y
i
x
i
−
b
∑
i
=
1
m
λ
i
y
i
L(\omega,b,\lambda)=\frac{1}{2}\omega^T \omega+\sum_{i=1}^{m}\lambda_i -\omegaT\sum_{i=1}{m}\lambda_iy_ix_i-b\sum_{i=1}^{m}\lambda_iy_i
L(ω,b,λ)=21ωTω+∑i=1mλi−ωT∑i=1mλiyixi−b∑i=1mλiyi
=
∑
i
=
1
m
λ
i
−
1
2
ω
T
ω
=\sum_{i=1}{m}\lambda_i-\frac{1}{2}\omegaT\omega
=∑i=1mλi−21ωTω
=
∑
i
=
1
m
λ
i
−
1
2
(
∑
i
=
1
m
λ
i
y
i
x
i
)
T
(
∑
i
=
1
m
λ
i
y
i
x
i
)
=\sum_{i=1}^{m}\lambda_i - \frac{1}{2}( \sum_{i=1}{m}\lambda_iy_ix_i)T (\sum_{i=1}^{m}\lambda_iy_ix_i)
=∑i=1mλi−21(∑i=1mλiyixi)T(∑i=1mλiyixi)
=
∑
i
=
1
m
λ
i
−
1
2
∑
i
=
1
m
∑
j
=
1
m
λ
i
λ
j
y
i
y
j
x
i
T
x
j
=\sum_{i=1}{m}\lambda_i-\frac{1}{2}\sum_{i=1}{m}\sum_{j=1}{m}\lambda_i\lambda_jy_iy_jx_iTx_j
=∑i=1mλi−21∑i=1m∑j=1mλiλjyiyjxiTxj
上边已经说到,将这两个表达式带入
L
(
ω
,
b
,
λ
)
L(\omega,b,\lambda)
L(ω,b,λ)后,我们得到的新的表达式中已经没有了
ω
\omega
ω和
b
b
b,只剩下的参数为
λ
\lambda
λ,这个新表达式的限制条件即为我们带入的两个式子,这两个式子表示该表达式关于
ω
\omega
ω和
b
b
b的极小值。
进而求关于
λ
\lambda
λ的极值,到此要求解的函数已经转化为:
∑
i
=
1
m
λ
i
−
1
2
∑
i
=
1
m
∑
j
=
1
m
λ
i
λ
j
y
i
y
j
x
i
T
x
j
\sum_{i=1}{m}\lambda_i-\frac{1}{2}\sum_{i=1}{m}\sum_{j=1}{m}\lambda_i\lambda_jy_iy_jx_iTx_j
∑i=1mλi−21∑i=1m∑j=1mλiλjyiyjxiTxj
要求解的是该式关于
λ
\lambda
λ的极大值,所以也即求解
1
2
∑
i
=
1
m
∑
j
=
1
m
λ
i
λ
j
y
i
y
j
x
i
T
x
j
−
∑
i
=
1
m
λ
i
\frac{1}{2}\sum_{i=1}{m}\sum_{j=1}{m}\lambda_i\lambda_jy_iy_jx_iTx_j-\sum_{i=1}{m}\lambda_i
21∑i=1m∑j=1mλiλjyiyjxiTxj−∑i=1mλi
的极小值。
限制条件为:
s
.
t
.
s.t.
s.t.
∑
i
=
1
m
λ
i
y
i
=
0
\sum_{i=1}^{m}\lambda_iy_i=0
∑i=1mλiyi=0
λ
i
≥
0
\lambda_i≥0
λi≥0, i=1,2,…,m
2.3 Part3 求解超平面
目标函数:
m
i
n
ω
,
b
min_{\omega,b}
minω,b
1
2
∑
i
=
1
m
∑
j
=
1
m
λ
i
λ
j
y
i
y
j
x
i
T
x
j
−
∑
i
=
1
m
λ
i
\frac{1}{2}\sum_{i=1}{m}\sum_{j=1}{m}\lambda_i\lambda_jy_iy_jx_iTx_j-\sum_{i=1}{m}\lambda_i
21∑i=1m∑j=1mλiλjyiyjxiTxj−∑i=1mλi
限制条件:
s
.
t
.
s.t.
s.t.
∑
i
=
1
m
λ
i
y
i
=
0
\sum_{i=1}^{m}\lambda_iy_i=0
∑i=1mλiyi=0
λ
i
≥
0
\lambda_i≥0
λi≥0, i=1,2,…,m
然后接下来,不难发现这是一个二次规划问题,将每个样本点的
x
i
x_i
xi、
y
i
y_i
yi替换为样本值数字,然后求目标函数关于
λ
1
\lambda_1
λ1,
λ
2
\lambda_2
λ2,… ,
λ
n
\lambda_n
λn的偏导数,并令其等于0,从而得到m个等式,联立这 m 个等式,以及
∑
i
=
1
m
λ
i
y
i
=
0
\sum_{i=1}^{m}\lambda_iy_i=0
∑i=1mλiyi=0进行求解。理论上即可以求出
λ
1
\lambda_1
λ1,
λ
2
\lambda_2
λ2,… ,
λ
n
\lambda_n
λn的值。
再将这些值代入表达式
ω
∗
=
∑
i
=
1
m
λ
i
y
i
x
i
\omega*=\sum_{i=1}{m}\lambda_iy_ix_i
ω∗=∑i=1mλiyixi 即可求解出
ω
∗
\omega^*
ω∗。(
ω
1
\omega_1
ω1,
ω
2
\omega_2
ω2, … ,
ω
n
\omega_n
ωn)
再由公式
b
∗
=
y
−
∑
i
=
1
m
λ
i
y
i
x
i
T
x
i
b^* =y-\sum_{i=1}{m}\lambda_iy_ix_iTx_i
b∗=y−∑i=1mλiyixiTxi
代入支持向量,即可求得参数b的值。这是一种解方程的思路。但是这种方法过于繁琐,只是理论上可行。
在解决这个问题方面,先辈们提出了很多高效的算法,比如SMO算法
(Sequential Minimal Optimization)。
使用梯度下降法,也可以如愿求得超平面的方程。
最后,根据下式(符号函数sgn)即可对样本数据进行分类:
f
(
x
)
=
s
g
n
(
ω
∗
T
x
b
∗
)
f(x)=sgn(\omega{*T}x+b*)
f(x)=sgn(ω∗Tx+b∗)
3.核函数
到此我们已经完整地实现了线性可分的支持向量机。但是现实中目标数据未必一直是线性可分的。面对这样的情况,我们可以使用 核函数 对原始目标数据进行“升维”操作。
如果原始数据是有限维的,那么一定会存在一个更高维的特征空间使得样本线性可分。
用
ϕ
(
x
)
\phi(x)
ϕ(x)表示
x
x
x经过映射后的特征向量,则核函数可以表示为
k
(
x
i
,
x
j
)
=
<
ϕ
(
x
i
)
,
ϕ
(
x
j
)
=
ϕ
(
x
i
)
T
ϕ
(
x
j
)
k(x_i,x_j)=<\phi(x_i),\phi(x_j)>=\phi(x_i)^T\phi(x_j)
k(xi,xj)=<ϕ(xi),ϕ(xj)>=ϕ(xi)Tϕ(xj)
核函数的具体形式我们通常是不知道的。
但是 核函数定理
表明,只要一个对称函数(
k
(
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
y
i
=
0
\sum_{i=1}^{m}\lambda_iy_i=0
∑i=1mλiyi=0进行求解。理论上即可以求出
λ
1
\lambda_1
λ1,
λ
2
\lambda_2
λ2,… ,
λ
n
\lambda_n
λn的值。
再将这些值代入表达式
ω
∗
=
∑
i
=
1
m
λ
i
y
i
x
i
\omega*=\sum_{i=1}{m}\lambda_iy_ix_i
ω∗=∑i=1mλiyixi 即可求解出
ω
∗
\omega^*
ω∗。(
ω
1
\omega_1
ω1,
ω
2
\omega_2
ω2, … ,
ω
n
\omega_n
ωn)
再由公式
b
∗
=
y
−
∑
i
=
1
m
λ
i
y
i
x
i
T
x
i
b^* =y-\sum_{i=1}{m}\lambda_iy_ix_iTx_i
b∗=y−∑i=1mλiyixiTxi
代入支持向量,即可求得参数b的值。这是一种解方程的思路。但是这种方法过于繁琐,只是理论上可行。
在解决这个问题方面,先辈们提出了很多高效的算法,比如SMO算法
(Sequential Minimal Optimization)。
使用梯度下降法,也可以如愿求得超平面的方程。
最后,根据下式(符号函数sgn)即可对样本数据进行分类:
f
(
x
)
=
s
g
n
(
ω
∗
T
x
b
∗
)
f(x)=sgn(\omega{*T}x+b*)
f(x)=sgn(ω∗Tx+b∗)
3.核函数
到此我们已经完整地实现了线性可分的支持向量机。但是现实中目标数据未必一直是线性可分的。面对这样的情况,我们可以使用 核函数 对原始目标数据进行“升维”操作。
如果原始数据是有限维的,那么一定会存在一个更高维的特征空间使得样本线性可分。
用
ϕ
(
x
)
\phi(x)
ϕ(x)表示
x
x
x经过映射后的特征向量,则核函数可以表示为
k
(
x
i
,
x
j
)
=
<
ϕ
(
x
i
)
,
ϕ
(
x
j
)
=
ϕ
(
x
i
)
T
ϕ
(
x
j
)
k(x_i,x_j)=<\phi(x_i),\phi(x_j)>=\phi(x_i)^T\phi(x_j)
k(xi,xj)=<ϕ(xi),ϕ(xj)>=ϕ(xi)Tϕ(xj)
核函数的具体形式我们通常是不知道的。
但是 核函数定理
表明,只要一个对称函数(
k
(
[外链图片转存中…(img-3p2FZBFE-1715689390705)]
[外链图片转存中…(img-DnuL0G22-1715689390706)]
[外链图片转存中…(img-rbIZ21tm-1715689390706)]
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新