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
ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ
ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ
大家好，我是侯小啾！
今天分享的内容是支持向量机算法的逻辑，及其python实现。
1.SVM简介
在深度学习出现之前，支持向量机 被称为表现最好的算法。支持向量机算法适用于一些复杂数据的分类。现在更多用的是深度学习，深度学习的效果大于SVM。但是SVM作为经典算法，还是十分重要，是学习机器学习过程的必修内容。
SVM具有两个特点：1.适合小样本。2.数学逻辑优美。
支持向量机算法分为线性可分的支持向量机 和 非线性可分的支持向量机。
线性可分样本集：只要我们可以用一条直线可以把样本集的两类完全分开，就可以将其称为线性可分样本集。反之，称为非线性可分样本集。
支持向量机的超平面具有唯一性。可以分割样本数据的线（或超平面）存在有无数条，但是只有一条是最好的。找到这条线（或超平面），是支持向量机算法要做的。
SVM算法的目标即为：找到使分类间隔最小距离d 最大的超平面。
2. SVM 逻辑推导
2.1 Part1 化简限制条件
给定样本数据集，假设样本特征为X，样本标签为y。
每个样本的特征值可以展示为：
x
1
x_1
x1,
x
2
x_2
x2,
x
3
x_3
x3,…
x
n
x_n
xn。y 的取值只能有+1和-1.
欲将这些样本分为二类，则需要找到中间的超平面。该超平面表示为：
ω
T
x
b
=
0
\omega^Tx + b = 0
ωTx+b=0
其中
ω
\omega
ω 称为法向量，其决定了超平面的方向。
点到超平面的距离可以表示为
r
i
=
∣
ω
T
x
i
b
∣
∣
∣
ω
∣
∣
r_i = \frac{|\omega^Tx_i + b |}{||\omega||}
ri=∣∣ω∣∣∣ωTxi+b∣
这里的
x
i
x_i
xi指的不再是超平面上的点，而是样本点的向量。
以二维的情况中点与线的关系为例进行说明，假设有一个点 点A(m,n) 和一条线ax+by+c=0，则当点在线上时，直线的等号会刚好成立。当点分布于直线的两侧时，分别可写作am+bn+c>0，am+bn+c<0。多维情况下，也是同理。
再结合点到超平面的距离公式，
r
i
r_i
ri也可以写为：
r
i
=
ω
T
x
i
b
∣
∣
ω
∣
∣
y
i
r_i =\frac{\omega^Tx_i + b}{||\omega||}y_i
ri=∣∣ω∣∣ωTxi+byi
其中，位于超平面
ω
T
x
i
b
=
0
\omega^Tx_i + b = 0
ωTxi+b=0 左右的标签对应的y_i的正负不要设定反了，只有设定正确该公式才可以保证得到正值。不然的话保证得到的就会是负值。
然后就是要寻找 支持向量。支持向量是距离超平面最近的点的向量，分布在超平面的两边，所以这样的点至少有两个，即支持向量至少有两个。（至少左右各一个）。
我们下一步要做的，即：求
r
i
r_i
ri关于
x
i
x_i
xi的极小值，再求该极小值关于
ω
\omega
ω和
b
b
b的极大值。
对该距离公式的分子，
ω
T
x
i
b
\omega^Tx_i + b
ωTxi+b，即超平面的方程
ω
T
x
b
=
0
\omega^Tx + b = 0
ωTx+b=0 的一部分，考虑到超平立面的方程，就像二维的直线方程一样是可以放缩的（登号两边同乘以一个数），因此可以通过放缩，使得
ω
T
x
i
b
=
1
\omega^Tx_i + b =1
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
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！
∑
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
[外链图片转存中…(img-BNn8vydj-1715339243912)]
[外链图片转存中…(img-mbT6EVcL-1715339243912)]
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！
3593
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
