svm系列 之 对偶形式解决非线性数据

之前博客续http://blog.csdn.net/mosbest/article/details/52017312
　上面的博客讲到，svm线性形式为
　　
　只需将上面的表达式转化为　标准的　二次规划形式，输入参数，相应的软件就可以帮我们把最佳解求出来．可是，上面的方程仅仅适用于　线性可分的数据，如果遇到非线性的数据，那么就应该用之前讲的，将ｘ映射到高维的函数上处理，使用映射函数$\Phi (x)$，那么svm的表达式和求解方法变为
　　
　由于二次规划的复杂度与特征数目($\widetilde{d}+1$即自由度)有很大关系，当自变量映射到高维的时候，$\widetilde{d}+1$就会变大，甚至无穷．那么用二次规划的软件来求解时，估计要算到天荒地老．
　所以，我们的目标就是让 SVM的复杂度不依靠$\widetilde{d}+1$！
　所以，引出　对偶形式的SVM.
　我们SVM原来的形式是:
　
　我们现在引入拉格朗日函数
　
　　从而得到
　　
　　其实上面的方程与SVM 最初的形式是等价的．　
　　因为，当$y_n(w^Tz_n+b)<１$，那么$１－y_n(w^Tz_n+b)>0$，由于要求$\underset{max}{all a>=0}$，那么我们得到的$\underset{all a>=0}{max} L(b,w,a)$最大值一定为　无穷大．
　　当$y_n(w^Tz_n+b)＞＝１$，那么$１－y_n(w^Tz_n+b)＜＝0$，由于要求$\underset{max}{all a>=0}$，那么我们得到的$\underset{all a>=0}{max} L(b,w,a)$最大值一定０．
　　当我们把上面两种情况取最小值时，得到的一定是$y_n(w^Tz_n+b)＞＝１$情况的结果．
　　所以， 　和
　　　
　　　是等价的．我们就把原来的形式转化为了svm=min($\underset{all a>=0}{max}L(b,w,a))$

我们又可以将上面的形式转化一下，

上面是弱对偶形式，因为连接符为”>=”，所以不一定会”=”．不过对于二次规划问题，如果有
１．函数是凸的　($w^Tw$本就是图函数)
２．映射函数$\Phi (x)$是存在的,即进行映射后可以线性分割．(如果不是，我们就没必要做了)
３．条件是线性的（条件$y_n(w^Tz_n+b)＞＝１$本就是线性的）
由于我们这上面三个条件都满足，那么就可以变成强对偶，即　存在　（b,w,a）使得两边相等．

　所以，我们就得到
　
　求里面的最小情况，就让其对w,b求偏导
　对b求偏导，化简
　

对w求偏导．化简

　　
　最终得到的形式为
　
　KKT条件是说，最优解必须满足
　
　求取以上等式之后，就可以得到最优解．
　很显然我们本就满足以上条件．
　现在来求取最优解
　现在我们把我们表达式都转化为求$\alpha$的形式，将我们的表达式化简为
　
　
　只是对$\alpha$求最佳解，所以这里我们只有N个变量，而线性形式有$d+1$个，有时ｄ可能趋近无穷大．
　我们用二次规划软件求解
　　
　通过求出的$\alpha$就可以求出b和w了．
　利用
　　
　求出ｗ．
　利用
　　
　当某$\alpha_n>0$时，剩下的就必须为０．则
　
　我们选出一个$\alpha_n>0$的情况对应的点就行了．当然，为了防止波动太大，可以把$\alpha_n>0$都求一边，然后取平均值．
　发现，$\alpha_n>0$时有$y_n(w^Tz_n+b)＝１$其实这就是最大边界．则$\alpha_n>0$对应的点就是支持向量．$\alpha_n>0$的点一定最大边界上面，但是最大边界上面的点不一定都$\alpha_n>0$

　可是对偶方法一能让模型不依靠$d$吗？你有没有发现，对偶模型的Ｑ放在二次规划软件，如果z向量太长，那么计算Q就会非常的复杂
　
　如上图，就是对偶模型最终形式，我们最后是要把他丢到二次规划的软件里计算的．当映射函数很复杂,即z域的z变量很长，那么计算$z^Tz$其实非常复杂，即$q_m,n$的计算非常复杂．那么最终他的复杂度依然为$O(d)$
　要想真正减少运输量，最终方法是　用核函数kernel.