SVM(二)——宽松SVM

错分问题与离群点问题

之前的SVM（http://blog.csdn.net/ice110956/article/details/23436171）推导前提条件是样本线性可分，或者至少在高维空间中线性可分。但是许多情况下，并不是高维可分的。先考虑如下面这种情况：

由于一个小的离群点，整个分隔平面发生了很大的改变。于是我们寻求宽松的限制原则来改进之前的严格SVM，从而也能够处理高维不可分情况。

 

考虑加入正则化项，如下：

其中，也就是不是所有的样本的函数间隔都要大于1，这个条件弱化的离群点的影响。

当时，函数间隔为负，也就是样本错分。这样也就是允许一定的错分。

在目标函数中加入惩罚项

其给离群的点，错分的点一定惩罚。

 

根据之前的对偶规划，我们也能得到：

对比之前的公式，两者唯一的不同是KKT互补条件由变为。

之前论述过，alfa !=0的项是少数的几个支持向量。同样的，我们有类似结论：

 

SMO算法

之前的推导到以alfa为变量的最优化为最后形式。下面讨论如何解这个问题。

 

坐标上升法

考虑解下面的最优化问题：

其中alfa为m维的量。

我们直观地用逐一求解的方法，求解i时，固定其他所有的未知量，依次迭代求解，步骤如下：

称为坐标上升法，其二维上的求解图如下：

比较其他常见的下降法，如最速下降，牛顿法等。一般的方法以alfa向量为单位，根据矩阵求导的方法，每次更新整个向量。

相比而言，坐标上升法迭代步骤更多，但是每次求解是都把问题化简为一维的最优化问题。也就是虽然步骤增加，但是每次都更简单。这是坐标上升法的优势。接下来把这种方法运用到SVM的求解中。

 

SMO算法

考虑我们最后得到的SVM优化公式如下：

其中的最后一个约束项，使得我们不能简单运用坐标上升法。因为如果固定其他alfa，求解alfa(i)那么根据最后一个约束项

Alfa(i)也是不可改变的。

 

于是，我们一次改变两个变量。

每次根据一定的策略，如顺序，选择两个变量，固定其他变量，求解两个变量的最优化，步骤如下：

假设现在选取alfa1，alfa2两个变量，得到：

简化表示如下：

其约束在二维空间上表示如下：

Alfa1用alfa2表示：

带入原问题，得到：

上述可以化为以alfa2为变量的一元二次方程：

求解后，再考虑得到的解是否满足上面的alfa2定义域，如果不满足，则做一定的裁切，使得得到的结果在定义域内：