SVM入门笔记

本文不是一篇正式的tutorial，只是帮助回忆和理解SVM推导的笔记。此文章会长期更新。

分类问题

SVM（support vector machine）是一种著名的分类算法。我们学过Logistic回归，但它只能处理简单的线性分类。在现实生活中，很多问题的属性不能简单的用线性分类完成，或者说线性分类的效果不好，这时候我们就要想其他办法。

超平面

我们可以想象这样一个方程：

$$w^{T}x+b=0$$

若这里的$x$是二维向量，那么就是我们熟悉的平面方程。若大于二维，则是一个超平面，在SVM中，这个超平面也被称为决策面。

我们的目标就是想找到这样一个决策面，使得样本点能够较好的分布在超平面两侧，这就达到了我们分类的目的。

分类间隔

很显然，对于样本点来说，这样的决策面肯定不止一个。那么，如何来度量我们分类好坏的标准呢？

在SVM中，我们使用分类间隔来度量，所谓分类间隔，是指保证决策面方向不变且不会错分样本的情况下移动决策面，会在原来的决策面两侧找到两个极限位置（越过则会产生错分现象）。因此，这两条平行线（面）之间的垂直距离就是这个决策面对应的分类间隔。

不同方向的最优决策面通常是不同的，那个具有最大间隔的决策面就是SVM要寻找的最优解。而这个真正的最优解对应的两侧虚线所穿过的样本点，就是SVM中的支持样本点，称为支持向量。

根据我们学习过的平面距离可以得到：

$$d=\frac{|w^T+b|}{||w||}$$

我们首先考虑一个决策面是否能够将所有样本都正确分类的约束。我们可以为每个样本点$x_i$加上一个类别标签 y i = { − 1 , 1 } y_i = \{-1,1\} yi​={−1,1}，假如我们的决策面方程能够完全正确的对所有样本点进行分类，则可以得到：

$$f(x)=\{\begin{array}{r}{w}^T{x}_i+b>0for{y}_i=1\\ w^T{x}_i+b<0for{y}_i=-1\end{array}$$

如果我们要求再高一点，假设决策面正好处于间隔区域的中轴线上，并且相应的支持向量对应的样本点到决策面的距离为d，那么公式可以进一步写成：

$$f(x)=\{\begin{array}{r}(w^T{x}_i+b)/||w||\ge d\forall y_i=1\\ (w^T{x}_i+b)/||w||\le -d\forall y_i=-1\end{array}$$

对公式重写（两边同时除以d）：

$$f(x)=\{\begin{array}{r}{w}_d^T{x}_i+b_d>1for{y}_i=1\\ w_d^T{x}_i+b_d<1for{y}_i=-1\end{array}{w}_d=\frac{w}{||w||d},b_d=\frac{b}{||w||d}$$

由于$w_d$与$w$并没有本质差别，因此不再做区分，我们的目标是想要在正确分类的情况下使得分类间隔最大化，即 m a x { d } max \{d\} max{d}，也等价于 m i n { 1 2 ∣ ∣ w ∣ ∣ 2 } min \{ \frac {1}{2} ||w||^2\} min{21​∣∣w∣∣2}。

因此，我们得到我们问题的总描述：

$$\min \frac{1}{2}||w|{|}^2$$

$$s.t.y_i(w^T{x}_i+b)\ge 1,i=1,...,n$$

margins

• Functional margins
  • ${\gamma }^{(i)}=y^{(i)}(w^{T}x+b)$
  • 这个函数可以用来衡量confident和correct
  • 如果分类正确，那么该函数始终是正数，且离决策边界越远，值越大，也就越confident
  • 如果分类错误，那么该函数是负数
  • 因此，我们的目标是找到最小的margin，也就是 $\gamma =\min {\gamma }^{(i)}$
• Geometric margins
  • Functional margins有一个很大的问题在于，如果我等比例的scale $w,b$，那么该值就一定会增大。但此时对于margin来说并没有提升，因此无法直接用来衡量。
  • 我们新定义一个Geometric margins，可以认为是一个相对的大小：
    • ${\gamma }^{(i)}=y^{(i)}({\frac{w}{||w||}}^{T}x+\frac{b}{||w||})$
  • 我们的目标不变:
    • $\gamma =\min {\gamma }^{(i)}$
  • 很容易证明，这时候无论$w,b$ 如何 scale，都不会影响margins了。（类似于normalization）

Optimal margin classifier

我们的目标是最大化margins，因此可以将原问题写为：

$$\max \frac{\gamma }{||w||}$$

$$s.t.y^{(i)}(w^T{x}^{(i)}+b)\ge \gamma$$

但这依然不容易求解，联想到，我们已经使得无论$w,b$ 如何 scale，都不会影响最终的值，因此，总是可以使$w,b$ 满足$\gamma =1$，因此，我们的目标函数可以写为$\max \frac{1}{||w||}$。注意到，最大化$\frac{1}{||w||}$和最小化$||w|{|}^2$是一回事情（更容易求导），因此，我们将原问题转为了凸优化问题：

$$\min \frac{1}{2}||w|{|}^2$$

$s.t.y_i(w^T{x}_i+b)\ge 1,i=1,...,n$

线性可分情况

拉格朗日函数

这是一个有约束条件的极值问题，因此可使用拉格朗日函数表达：

$$L(w,b,a)=\frac{1}{2}||w|{|}^2-\sum _{i=1}^n{\alpha }_i(y_i(w^T{x}_i+b)-1)$$

我们令$\alpha_i \ge 0，\theta(w) = {max}_{a_i \ge 0} L(w,b,a) $。容易验证：当某个约束条件不满足时，例如$y_i(w^Tx_i +b)<1$，则有$\theta(w) = \infty $（只要令$\alpha _i = \infty$而当所有约束都满足时，则有$\theta(w) = \frac {1}{2} ||w||^2$，即为最初要最小化的量。

这样，我们就使用拉格朗日函数将所有约束条件集中到一个函数中，目标函数变成了：

$$\underset{w,b}{\min }\theta (w)=\underset{w,b}{\min }\underset{{\alpha }_i\ge 0}{\max }L(w,b,a)=p^{\ast }$$

这里用$p^{\ast }$表示这个问题的最优解，且与最初的问题是等价的，但如果直接面对这个函数，有$w,b$两个参数，并且$\alpha$还是不等式约束，不好求解。那么我们可以转化为对偶问题：

$$\underset{{\alpha }_i\ge 0}{\max }\underset{w,b}{\min }L(w,b,a)=d^{\ast }$$

这个新问题的最优解表示为$d^{\star }$，且有$d^{\star }\le p^{\star }$,在某些情况下这两者相等，因此可以求解对偶问题来间接求解原始问题。

KKT条件

由于对偶问题和原始问题有 $d^{\star }\le p^{\star }$ 的关系，但我们更希望取等号，这样我们就可以利用对偶问题来求得原问题的最优解。

而满足这种条件的约束称为KKT条件。

首先重新定义一下凸优化问题：

$$\min f(w)$$

$$s.t.g_i(w)\le 0$$

$$h_i(w)=0$$

拉格朗日函数可以表示为：$L(w,\alpha ,\beta )=f(w)+\sum {\alpha }_i{g}_i(w)+\sum {\beta }_{i}h(w)$

KKT条件可以表示为：

$$\frac{\partial }{\partial w_i}L(w^{\ast },{\alpha }^{\ast },{\beta }^{\ast })=0$$

$$\frac{\partial }{\partial {\beta }_i}L(w^{\ast },{\alpha }^{\ast },{\beta }^{\ast })=0$$

$${\alpha }_i^{\ast }{g}_i^{\ast }(w^{\ast })=0$$

$$g_i(w^{\ast })\le 0$$

$${\alpha }^{\ast }\ge 0$$

其中第三个条件被称为dual complementarity condition，也就是说，只有在$g_i^{\star }(w^{\star })=0$时$\alpha ̸=0$，也就是真正作为support vector，在后面的SMO中会有帮助。

对偶问题求解

我们需要求解的方程为：

$$\underset{{\alpha }_i\ge 0}{\max }\underset{w,b}{\min }L(w,b,a)=d^{\ast }$$

首先固定$\alpha$，对$w,b$求导数：

$$\frac{\partial L}{\partial w}=0\Rightarrow w=\sum _{i=1}^n{a}_i{y}_i{x}_i$$

$$\frac{\partial L}{\partial wb}=0\Rightarrow \sum _{i=1}^n{a}_i{y}_i=0$$

将上面的结果带到$L(w,b,a)$中可得：

KaTeX parse error: No such environment: equation at position 7: \begin{̲e̲q̲u̲a̲t̲i̲o̲n̲}̲\begin{split} L…

这样，我们的目标函数就变为：

$$\underset{\alpha }{\max }\sum _{i=1}^n{a}_i-\frac{1}{2}\sum _{i,j=1}^n{a}_i{a}_j{y}_i{y}_j{x}_i^T{x}_j$$

$$s.t.a_i\ge 0,i=1,...,and\sum _{i=1}^n{a}_i{y}_i=0$$

这样，我们的目标就变成了求$\alpha$，从而可以求出：

$$w=\sum _{i=1}^n{a}_i{y}_i{x}_i$$

$$b=-\frac{{\max }_{i:y_i=-1}{w}^{T}x+{\min }_{i:y_i=1}{w}^T{x}_i}{2}$$

求$\alpha $比直接求$w,b$简单多了，其中SMO算法是目前最常用的，我们之后再说。

我们目前的分类函数为$f(x)=w^{T}x+b$，带入：

KaTeX parse error: No such environment: equation at position 7: \begin{̲e̲q̲u̲a̲t̲i̲o̲n̲}̲\begin{split} f…

注意，这里的$(x_{i}x)$表示向量乘积，因此，对于新点$x$，只需要计算它与训练数据点的内积即可。这一点在之后的kernel函数中也会使用。

线性不可分情况

核函数

• 将attributes -> feature 的过程定义为feature mapping，例如$\varphi (x)=\left[\begin{array}{c}x\\ x^2\\ x^3\end{array}\right]$，因此，我们想从feature中进行学习，而不是原始的attributes。而注意到，我们对样本的预测只与内积有关，因此可以定义Kernel：$K(x,z)=\varphi (x{)}^T\varphi (z)$
  • 这样，在原始算法中的所有内积都用Kernel代替，这样就实现了从feature中学习
• 这里最值得注意的是，为什么我们不直接学习feature的表示，而要学习kernel呢？
  • 因为kernel的计算代价可能远远小于提取feature
  • 例如，如果$K(x,z)=(x^{T}z+c{)}^d$，则对应于$C_{n+d}^n$个feature space，而对于计算kernel来说，复杂度只有$O(n)$
  • 这种kernel的思想并不仅仅适用于SVM，只要有内积的形式，都可以使用，可以大大减少feature空间的维度
• 直觉来说，如果$\varphi (x)$和$\varphi (z)$越相近，则我们希望得到的$K(x,z)$越大，反之越小
• 例如Gaussian kernel：$K(x,z)=\exp (-\frac{||x-z|{|}^2}{w{\sigma }^2})$
  • correspond to an infinite dimensional feature mapping

正则化&不可分

• 当我们用$\varphi$将数据映射到高维特征空间，并不能提高线性可分的likelihood。同时，如果样本中存在outlier，会大大影响我们分类的效果和margin的大小。
• 因此，我们希望模型能够对outlier不敏感，加上正则项($l_1$正则化）：
  • ${\min }_{\gamma ,w,b}\frac{1}{2}||w|{|}^2+C\sum _{i=1}^m{\epsilon }_i$
  • $s.t\quad y^{(i)}(wTx^{(i)} + b) \ge 1- \varepsilon_i $
  • ${\epsilon }_i\ge 0$
• 这样，我们的拉格朗日问题就变为：
  • $L(w,b,\epsilon ,\alpha ,r)=\frac{1}{2}{w}^{T}w+C\sum _{i=1}^m{\epsilon }_i-\sum _{i=1}^m{\alpha }_i[y^{(i)}(x^{T}w+b-1+{\epsilon }_i)]-\sum _{i=1}^m{r}_i{\epsilon }_i$
• 通过同样的方法，可以得到拉格朗日对偶问题为：
  • $\underset{\alpha }{\max }\sum _{i=1}^n{a}_i-\frac{1}{2}\sum _{i,j=1}^n{a}_i{a}_j{y}_i{y}_j(x_i^{(i)},x^{(j)})$
  • $s.t.0\le \alpha \le C$
  • $\sum _{i=1}^m{\alpha }_i{y}^{(i)}=0$
• 根据KKT条件，我们可以得到
  • ${\alpha }_i=0\Rightarrow y^{(i)}(w^T{x}^{(i)}+b)\ge 1$
  • ${\alpha }_i=C\Rightarrow y^{(i)}(w^T{x}^{(i)}+b)\le 1$
  • $0<{\alpha }_i<C\Rightarrow y^{(i)}(w^T{x}^{(i)}+b)=1$

SMO算法

我们已经将SVM的基本问题从attributes空间通过kernel转到feature空间，同时定义了有正则项的对偶函数，最后剩下的就是如何求解了。

Coordinate ascent

我们之前已经熟悉了gradient ascent和Newton’s method两种优化算法，现在介绍一种新的优化方法。

假设我们的优化目标是$\underset{\alpha }{\max }W({\alpha }_1,{\alpha }_2,...,{\alpha }_m)$

那么，我们按照一定的order对某些变量依次进行更新（从启发式算法角度考虑，我们的更新order是从希望更新的参数变化最大的开始）：

${\alpha }_i:=\arg {\max }_{\widehat{{\alpha }_i}}W({\alpha }_1,{\alpha }_2,..{\alpha }_i.,{\alpha }_m)$

这种优化算法非常有效，收敛得很快。

SMO

$$\underset{\alpha }{\max }\sum _{i=1}^n{a}_i-\frac{1}{2}\sum _{i,j=1}^n{a}_i{a}_j{y}_i{y}_j(x^{(i)},x^{(j)}$$

$$s.t.0\le \alpha \le C$$

$$\sum _{i=1}^m{\alpha }_i{y}^{(i)}=0$$

我们如果直接对满足约束条件的优化问题使用coordinate ascent，则会发现，如果我们需要更新的${\alpha }_1$，在约束条件下，没有办法得到更新后的值。这是因为：

$${\alpha }_1{y}^{(1)}=-\sum _{i=2}^m{\alpha }_i{y}^{(i)}$$

因此，解决该问题，至少需要我们同时更新两个值。

首先，如果我们同时更新${\alpha }_1,{\alpha }_2$，则约束条件为：

$${\alpha }_1{y}^{(1)}+{\alpha }_2{y}^{(2)}=-\sum _{i=3}^m{\alpha }_i{y}^{(i)}=\epsilon$$

实际上，由于$0\le \alpha \le C$，因此可以更进一步得到其范围：

带入目标函数为：

$$W({\alpha }_1,{\alpha }_2,...,{\alpha }_m)=W((\epsilon -{\alpha }_2{y}^{(2)}),{\alpha }_2,...,{\alpha }_m)$$

实际上，根据我们之前写的$W$的具体形式，这里就是一个关于${\alpha }_2$的二次型函数：$a{\alpha }_2^2+b{\alpha }_2+c$，同时满足某些约束$L\le {\alpha }_2\le H$，这样我们很容易就可以求得更新后的${\alpha }_2$的值。

这样，我们就可以按照coordinate ascent的方式依次更新所有的参数，直到收敛。