支持向量机SVM 原理、推导与Matlab实现(2)-对偶问题

SVM原理

请参见上一个博文
http://blog.csdn.net/taiji1985/article/details/75087742

对偶问题

什么是对偶问题,举一个例子。工厂在资源有限的情况下,追求利润的最大化。这个问题等价于 , 在某一个利润下,追求资源使用的最小化。 这就是对偶问题。

SVM最优化公式回顾

对于SVM,有这样的最优化公式

min12wTwyi(wTxi+b)1

(式 1)

拉格朗日乘子法

原理请见博客 http://blog.csdn.net/taiji1985/article/details/75105442

使用 ai 作为拉格朗日乘子,最小化函数可以写作

L(w,b,a)=12wTw+iai(1yi(wTxi+b))

(式 2)

SVM的转换过程

原最优化问题转化为

minw,bmaxaL(w,b,a)

(式 3)
通俗来看,当 1yi(wTxi+b)0 时,满足SVM要求的 yi(wTxi+b)1 这个条件, 我们又要求 ai0 ,这样,它的最大值为0,当违背SVM条件时, ai yi(wTxi+b) 都是大于0 的数,它的乘积的最大值为无穷大。

满足KKT条件时:

minw,bmaxaL(w,b,a)=maxaminw,bL(w,b,a)

(式 4)
KKT条件包含

(1) 梯度为0, 即L(w,b,a)关于w,b和a的偏导数都为0 。 我们根据w和b的偏导数,可以得到下面的公式

w=iaiyixi

(式 5)
0=iaiyi

(式 6)

将式5-6 带入 式4中,消去w和b 可以得到

maxaiai12ijaiajyiyjxTixj
(式 7)
我们不喜欢最大化,转换为最小化
mina12ijaiajyiyjxTixjiai
(式 8)

二次规划标准型

uQP(H,f,A,b,Aeq,Beq,lb,ub,u0)minu12uTHu+fTu,aTmu<=bmAeqTu=Bequ>=lbu<=ub
(式 9)

将是 式8按照式9格式整理。
X=[x1,x2,...,xn]Rk×n ,k为 xi 的维度,n为样本个数。令
y=[y1,y2,...,yn]TRn×1 ,那么

式9中 u=[a1,a2,...,an]TRn×1

H=yTyXTXRn×n

其中 为点乘,即逐项相乘。

一次项 f=1nRn×1 ,

A = [] , b = [] 不添加不等式约束

使用 Aeq = Y , Beq = 0 , 表达 Y * u = 0 的等式约束
lb = 0 ,表达 u>=0 的等式约束

matlab 实现

function test_dual_svm()
    %主函数
    clear all;
    close all;
    %test_svm();
    %return;
    C = 10;
    %训练样本
    n = 50;
    randn('state',6);
    x1 = randn(2,n);    %2行N列矩阵
    y1 = ones(1,n);       %1*N个1
    x2 = 5+randn(2,n);   %2*N矩阵
    y2 = -ones(1,n);      %1*N个-1

    figure;
    plot(x1(1,:),x1(2,:),'bx',x2(1,:),x2(2,:),'k.'); 
    axis([-3 8 -3 8]);
    hold on;

    X = [x1,x2];        %训练样本d*n矩阵,n为样本个数,d为特征向量个数
    Y = [y1,y2];        %训练目标1*n矩阵,n为样本个数,值为+1或-1
    svm = svmTrain(X,Y,C);
    plot(svm.Xsv(1,:),svm.Xsv(2,:),'ro');

    %测试
    [x1,x2] = meshgrid(-2:0.05:7,-2:0.05:7);  %x1和x2都是181*181的矩阵
    [rows,cols] = size(x1);  
    nt = rows*cols;                  
    Xt = [reshape(x1,1,nt);reshape(x2,1,nt)];
    Yt = ones(1,nt);
    result = svmTest(svm, Xt, Yt);

    Yd = reshape(result.Y,rows,cols);
    contour(x1,x2,Yd,'m');
end

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function svm = svmTrain(X,Y,C)

    options = optimset;    % Options是用来控制算法的选项参数的向量
    options.LargeScale = 'off';
    options.Display = 'off';

    n = length(Y);
    H = (Y'*Y).*(X'*X);
    f = -ones(n,1); %f为1*n个-1,f相当于Quadprog函数中的c
    A = [];
    b = [];
    Aeq = Y; %相当于Quadprog函数中的A1,b1
    beq = 0;
    lb = zeros(n,1); %相当于Quadprog函数中的LB,UB
    ub = C*ones(n,1);
    a0 = zeros(n,1);  % a0是解的初始近似值
    [a,fval,eXitflag,output,lambda]  = quadprog(H,f,A,b,Aeq,beq,lb,ub,a0,options);

    epsilon = 1e-8;                     
    sv_label = find(abs(a)>epsilon);  %0<a<a(max)则认为x为支持向量     
    svm.a = a(sv_label);
    svm.Xsv = X(:,sv_label);
    svm.Ysv = Y(sv_label);
    svm.svnum = length(sv_label);
%svm.label = sv_label;
end

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function result = svmTest(svm, Xt, Yt)
    temp = (svm.a'.*svm.Ysv)*(svm.Xsv'*svm.Xsv);
    total_b = svm.Ysv-temp;
    b = mean(total_b);
    w = (svm.a'.*svm.Ysv)*(svm.Xsv'*Xt);
    result.score = w + b;
    Y = sign(w+b);
    result.Y = Y;
    result.accuracy = size(find(Y==Yt))/size(Yt);
end

注: 代码参考了 http://blog.sina.com.cn/s/blog_631a4cc40101df0f.html

实验结果:

这里写图片描述

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值