1. 回顾SVM优化目标函数
我们首先回顾下我们的优化目标函数:
我们的解要满足的KKT条件的对偶互补条件为:
根据这个KKT条件的对偶互补条件,我们有:
由于 w∗=∑j=1mα∗jyjϕ(xj) w∗=∑j=1mαj∗yjϕ(xj),我们令 g(x)=w∗∙ϕ(x)+b=∑j=1mα∗jyjK(x,xj)+b∗ g(x)=w∗∙ϕ(x)+b=∑j=1mαj∗yjK(x,xj)+b∗,则有:
2. SMO算法的基本思想
上面这个优化式子比较复杂,里面有m个变量组成的向量 α α需要在目标函数极小化的时候求出。直接优化时很难的。SMO算法则采用了一种启发式的方法。它每次只优化两个变量,将其他的变量都视为常数。由于 ∑i=1mαiyi=0 ∑i=1mαiyi=0.假如将 α3,α4,...,αm α3,α4,...,αm 固定,那么 α1,α2 α1,α2之间的关系也确定了。这样SMO算法将一个复杂的优化算法转化为一个比较简单的两变量优化问题。
为了后面表示方便,我们定义 Kij=ϕ(xi)∙ϕ(xj) Kij=ϕ(xi)∙ϕ(xj)
由于 α3,α4,...,αm α3,α4,...,αm都成了常量,所有的常量我们都从目标函数去除,这样我们上一节的目标优化函数变成下式:
3. SMO算法目标函数的优化
为了求解上面含有这两个变量的目标优化问题,我们首先分析约束条件,所有的 α1,α2 α1,α2都要满足约束条件,然后在约束条件下求最小。
根据上面的约束条件 α1y1+α2y2=ς0≤αi≤Ci=1,2 α1y1+α2y2=ς0≤αi≤Ci=1,2,又由于 y1,y2 y1,y2均只能取值1或者-1, 这样 α1,α2 α1,α2在[0,C]和[0,C]形成的盒子里面,并且两者的关系直线的斜率只能为1或者-1,也就是说 α1,α2 α1,α2的关系直线平行于[0,C]和[0,C]形成的盒子的对角线,如下图所示:
由于 α1,α2 α1,α2的关系被限制在盒子里的一条线段上,所以两变量的优化问题实际上仅仅是一个变量的优化问题。不妨我们假设最终是 α2 α2的优化问题。由于我们采用的是启发式的迭代法,假设我们上一轮迭代得到的解是 αold1,αold2 α1old,α2old,假设沿着约束方向 α2 α2未经剪辑的解是 αnew,unc2 α2new,unc.本轮迭代完成后的解为 αnew1,αnew2 α1new,α2new
由于 αnew2 α2new必须满足上图中的线段约束。假设L和H分别是上图中 αnew2 α2new所在的线段的边界。那么很显然我们有:
而对于L和H,我们也有限制条件如果是上面左图中的情况,则
如果是上面右图中的情况,我们有:
也就是说,假如我们通过求导得到的 αnew,unc2 α2new,unc,则最终的 αnew2 α2new应该为:
那么如何求出 αnew,unc2 α2new,unc呢?很简单,我们只需要将目标函数对 α2 α2求偏导数即可。
首先我们整理下我们的目标函数。
为了简化叙述,我们令
其中 g(x) g(x)就是我们在第一节里面的提到的
我们令
这样我们的优化目标函数进一步简化为:
由于 α1y1+α2y2=ς α1y1+α2y2=ς,并且 y2i=1 yi2=1,可以得到 α1用α2 α1用α2表达的式子为:
将上式带入我们的目标优化函数,就可以消除 α1 α1,得到仅仅包含 α2 α2的式子。
忙了半天,我们终于可以开始求 αnew,unc2 α2new,unc了,现在我们开始通过求偏导数来得到 αnew,unc2 α2new,unc。
整理上式有:
将 ς=α1y1+α2y2 ς=α1y1+α2y2带入上式,我们有:
我们终于得到了 αnew,unc2 α2new,unc的表达式:
利用上面讲到的 αnew,unc2 α2new,unc和 αnew2 α2new的关系式,我们就可以得到我们新的 αnew2 α2new了。利用 αnew2 α2new和 αnew1 α1new的线性关系,我们也可以得到新的 αnew1 α1new。
4. SMO算法两个变量的选择
SMO算法需要选择合适的两个变量做迭代,其余的变量做常量来进行优化,那么怎么选择这两个变量呢?
4.1 第一个变量的选择
SMO算法称选择第一个变量为外层循环,这个变量需要选择在训练集中违反KKT条件最严重的样本点。对于每个样本点,要满足的KKT条件我们在第一节已经讲到了:
一般来说,我们首先选择违反 0<α∗i<C⇒yig(xi)=1 0<αi∗<C⇒yig(xi)=1这个条件的点。如果这些支持向量都满足KKT条件,再选择违反 α∗i=0⇒yig(xi)≥1 αi∗=0⇒yig(xi)≥1 和 α∗i=C⇒yig(xi)≤1 αi∗=C⇒yig(xi)≤1的点。
4.2 第二个变量的选择
SMO算法称选择第二一个变量为内层循环,假设我们在外层循环已经找到了 α1 α1, 第二个变量 α2 α2的选择标准是让 |E1−E2| |E1−E2|有足够大的变化。由于 α1 α1定了的时候, E1 E1也确定了,所以要想 |E1−E2| |E1−E2|最大,只需要在 E1 E1为正时,选择最小的 Ei Ei作为 E2 E2, 在 E1 E1为负时,选择最大的 Ei Ei作为 E2 E2,可以将所有的 Ei Ei保存下来加快迭代。
如果内存循环找到的点不能让目标函数有足够的下降, 可以采用遍历支持向量点来做 α2 α2,直到目标函数有足够的下降, 如果所有的支持向量做 α2 α2都不能让目标函数有足够的下降,可以跳出循环,重新选择 α1 α1
4.3 计算阈值b和差值 Ei Ei
在每次完成两个变量的优化之后,需要重新计算阈值b。当 0≤αnew1≤C 0≤α1new≤C时,我们有
于是新的 bnew1 b1new为:
计算出 E1 E1为:
可以看到上两式都有 y1−∑i=3mαiyiKi1 y1−∑i=3mαiyiKi1,因此可以将 bnew1 b1new用 E1 E1表示为:
同样的,如果 0≤αnew2≤C 0≤α2new≤C, 那么有:
最终的 bnew bnew为:
得到了 bnew bnew我们需要更新 Ei Ei:
其中,S是所有支持向量 xj xj的集合。
好了,SMO算法基本讲完了,我们来归纳下SMO算法。
5. SMO算法总结
输入是m个样本 (x1,y1),(x2,y2),...,(xm,ym), (x1,y1),(x2,y2),...,(xm,ym),,其中x为n维特征向量。y为二元输出,值为1,或者-1.精度e。
输出是近似解 α α
1)取初值 α0=0,k=0 α0=0,k=0
2)按照4.1节的方法选择 αk1 α1k,接着按照4.2节的方法选择 αk2 α2k,求出新的 αnew,unc2 α2new,unc。
3)按照下式求出 αk+12 α2k+1
4)利用 αk+12 α2k+1和 αk+11 α1k+1的关系求出 αk+11 α1k+1
5)按照4.3节的方法计算 bk+1 bk+1和 Ei Ei
6)在精度e范围内检查是否满足如下的终止条件:
7)如果满足则结束,返回 αk+1 αk+1,否则转到步骤2)。
from:https://www.cnblogs.com/pinard/p/6111471.html