吃瓜笔记6 支持向量机
所有知识点均来源于周志华西瓜书机器学习
6.1间隔与支持向量
支持向量:距离超平面最近的几个训练样本点
间隔:两个异类支持向量到超平面的距离
找到间隔最大化的超平面
支持向量机的基本型,式6.6,存在不等式约束
6.2对偶问题
求解式6.6 (凸二次规划问题)
即求解其对偶问题式6.11 (二次规划问题)
KKT条件
通用算法规模正比与训练总数
高效算法代表SMO
6.3核函数
如果原始空间是有限维,那么一定存在一个高维特征空间使样本线性可分
只要一个对称函数所对应的核矩阵半正定,它就能做核函数
对于一个半正定核矩阵,总能找到一个与之对应的映射
任何一个核函数都隐式地定义了一个名为“再生核希尔伯特空间“的特征空间
6.4软间隔与正则化
软间隔,允许支持向量机在一些样本上出错。在最大化间隔的同时,不满足约束的样本应尽可能少
“0/1损失函数”的替代函数:hinge损失、指数损失、对率损失
软间隔支持向量机,式6.35
求解方式:求解其对偶问题
6.5支持向量回归
允许偏差,构建一个间隔带,样本落入计为正确
支持向量回归SVR,式6.43
求解其对偶问题式6.51
6.6核方法
优化问题式6.57的最优解总能表示为核函数的线性组合。
核化线性学习器用于非线性学习