1、问题介绍
本文只涉及二分类支持向量机。
支持向量机问题可以分为三种情况来讨论:
1、硬间隔支持向量机:用于可以被一个超平面严格分开的问题中,又称为线性可分支持向量机
2、软间隔支持向量机:用于可以被一个超平面非严格分开的问题中,又称线性支持向量机
3、核支持向量机:用于可以被一个超曲面分开的问题中,又称非线性支持向量机
本文主要介绍硬间隔支持向量机。
所谓“可以被一个超平面严格分开”,以三维空间数据为例,就是如下图情况:
即可以找到一个分离超平面,将正负数据点分开。
假设我们有数据D={(x1,y1),(x2,y2),…,(xn,yn)},则x代表空间中的数据点,y代表该点的标签,它有两个取值,+1和-1。
我们要做的事就是找到一个如下分离超平面
1、它可以将所有的正负例点分开
2、在满足1的基础上,令所有点中,距离它距离最小的点的距离最大。
简单概括,就是找到一个分离超平面,使点到面的“最小距离最大化”。
我们的目标就是找到这个超平面的 ω 和 b 。
2、目标函数分析
根据“最小距离最大化的”目标函数思想,可以写出支持向量机的目标函数如下式1:
对于目标函数,即公式1,我们总可以认为
求 w 和
对线性可分支持向量机而言,有 ϕ(xi)=xi
以下要用到约束最优化求解的知识。
根据拉格朗日乘子法,可写出该规划问题的拉格朗日表达式:
因此有
1、原问题:求
2、转化为求
3、根据拉格朗日对偶性,极小极大问题可以转化为极大极小问题。即转化为求公式2
我们进行了一个如下过程的转换。(本文中
W
和
我们根据
L(ω,b,α)
写出方程式
∂L∂ω=0
和
∂L∂b=0
,可求出
ω
和
b
关于
求出最优的 α ,就可以求出 ω 和 b
3、线性支持向量机
对于不能被严格分开的正负样本点,我们只能期望找到一个分离超平面,尽可能地把它分开。如下图
可见,有些点是分错的,但我们允许这种错误。这种模型就是线性支持向量机,也称为软间隔支持向量机。仿照硬间隔支持向量机的格式,我们同样可以整理得到约束最优化问题如下:
同理可整理出来拉格朗日形式的约束最优化问题如下:
对线性支持向量机而言,有 ϕ(xi)=xi
两个小tips
1、这个C的调参数:
a.调小 过渡带变宽,可以防止过拟合
b.调大 过渡带变窄,可以提高精度
2、损失函数
对于分错的点,有一个损失 ξ (见上图),对于支持向量机来说,其损失函数为
4、核支持向量机
以上两种模型的优化函数中,都有
ϕ(xi)=xI
,在核支持向量机中,有所不同。核支持向量机有不同的核,常用的是高斯核。核支持向量机和线性支持向量机的关系如下图:
在高斯核中,有