SVM松弛变量图解

Dreamcatcher风

于 2021-05-30 08:37:09 发布

阅读量1.9k

点赞数 3

分类专栏：机器学习/深度学习文章标签：机器学习支持向量机

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Wind_2028/article/details/117394053

版权

机器学习/深度学习专栏收录该内容

28 篇文章 6 订阅

订阅专栏

当样本集处于非线性可分时，需要引入松弛变量 $\xi$ ，放松线性约束。

松弛变量是什么？

松弛变量 $\xi _{i}$ ：指出第i个观测的位置、相对于间隔的位置、以及相对于超平面的位置。

$\xi _{i}=0$ ，表示第i个样本落在间隔正确的一面； $\xi _{i}>0$ ，说明落在错误的一面。

例如，对于图中右下角那个红圈， $\xi _{5}>0$

引入松弛变量是如何处理线性不可分的？

先看优化目标（未引入松弛变量）：

$\underset{w,b}{min} \frac{1}{2} \parallel w\parallel ^2$

s.t $y_{i} (w^Tx_{i}+b)\ge 1, i=1,2,...m$

引入松弛变量后的优化目标：

$\underset{w,b}{min} \frac{1}{2} \parallel w\parallel ^2 +C\left \{ \sum_{i}^{m} \xi ^{(i)} \right \}$

s.t $y_{i} (w^Tx_{i}+b)\ge 1-\xi ^{(i)}, i=1,2,...m$

可以把松弛变量理解为：异常点离群距离的大小。例如，如果把右图红圈5当做异常值，那么离群值就大于0，也就是说， $\xi _{5}>0$ ，那么 $\sum_{i}^{m} \xi ^{(i)}>0$

变量C用来控制对错误分类的惩罚，C越大，对错误的惩罚越大。换句话说，C越大，对错误分类的要求就越严。（如图所示）

如果考虑极端情况，C取无穷大，那么 $C\left \{ \sum_{i}^{m} \xi ^{(i)} \right \} \rightarrow \infty$ ，问题就无解了。

如果C较小，那么 $C\left \{ \sum_{i}^{m} \xi ^{(i)} \right \}$ 中， $\sum_{i}^{m} \xi ^{(i)}$ 增加时（有更多异常点的加入），对 $C\left \{ \sum_{i}^{m} \xi ^{(i)} \right \}$ 的影响就比较小了，那么就能忽略更多的“异常点”，降低模型的方差。

以上就是我对软间隔分类中松弛变量的理解，由于昨天刚学习SVM，如果哪里理解有误，还望指正！

Dreamcatcher风

关注

3
点赞
踩
6

收藏

觉得还不错? 一键收藏
2
评论
SVM松弛变量图解

当样本集处于非线性可分时，需要引入松弛变量，放松xianxing
复制链接

扫一扫

专栏目录

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。