SVM模型就是用一个超平面H把正负样本分开的模型,如图1所示。
1、超平面的定义
假设
w→
w
→
是垂直超平面H的法向量,
x−−→
x
−
→
是一个负样本,
x+−→
x
+
→
是一个正样本,
x−−→
x
−
→
、
x+−→
x
+
→
在向量
w→
w
→
的投影点分别是A,B。所有的样本满足公式(1)。
即
进一步可以转化为
所以,当样本满足公式(4)时候,则判定为正样本,反之,是负样本。其中,公式(4)中满足等式的点落在超平面H中。
2、训练样本满足的约束
由前面的分析可知,超平面H可以有无数条,然而,我们定义具有最大间隔的超平面才是最优的。如图.1所示,最大间隔指的是虚线H1与H2之间的距离。其中,H1,H,H2是平行的,并且H1到H的距离与H2到H的距离相等。由公式(4),并且向量
w→
w
→
可以伸缩,可得
即为了得到最优的分割超平面H,我们要求训练的正样本和负样本满足公式(5),然后去求解最大的间隔。其中,落在虚线H1,H2的点使得公式(5)的等号成立,这些点称为 支持向量。假设样本点的标签值 y∈{+1,−1} y ∈ { + 1 , − 1 } 。代入公式(5),有
公式(6)可以合并为通用的样本形式
即所有的训练样本都满足公式(7),其几何意义如图.1,所有的样本点都在虚线两侧,不允许跨过虚线。注意,预测样本的时候,是允许样本点跨越虚线区域的,因为判断的分界线是超平面H。
3、最大间隔的表示
如图.2所示,最大间隔等于正样本支持向量与负样本支持向量构成的向量
x+−→−x−−→
x
+
→
−
x
−
→
在法向量
w→
w
→
上的投影长度d。
投影长度d如公式(8)所示.
由于这里的 x+−→和x−−→ x + → 和 x − → 是支持向量,满足公式(9)
把公式(9)代入公式(8),可得
即求解最大间隔表示如下:
等价于求解
其中,s.t 代表约束条件.