支持向量机原理(一)线性支持向量机

本文介绍了支持向量机(SVM)的基础知识,重点讲解线性SVM。内容包括:1)线性分类器的概念;2)函数间隔与几何间隔的区别;3)支持向量的概念及其在分类中的作用;4)SVM的目标函数与优化过程,涉及拉格朗日对偶问题;5)线性可分SVM的算法步骤。SVM通过最大化几何间隔找到最优超平面,支持向量在决策边界上,对分类确信度至关重要。
摘要由CSDN通过智能技术生成

一、前言

        支持向量机(Support Vector Machine)是一种二分类模型,其基本模型定义为特征空间上间隔最大的线性分类器,其学习的策略便是间隔最大化,最终可以转化为一个凸二次规划问题的求解。经过多年的发展,SVM也适用于多元分类,经过拓展,SVM也能够应用于线性回归,本文的重点就是对SVM相关原理进行介绍。

首先什么是线性分类器?给定一些数据点,他们分别属于两个不同的类,现在要找到一个线性分类器把这些数据分成两类。如果用x表示数据点,用y表示类别(比如y可以取1或者-1,分别代表两个不同的类),一个线性分类器的学习目标便是要在n维的数据空间中找到一个超平面(hyper plane),这个超平面的方程可以表示为:

                                            w^{T}x+b=0 ,  w^{T}表示w的转置。

下面举个简单的例子,如下图所示,现在有一个二维平面,平面上有两种不同的数据,分别用圆圈和叉表示。由于这些数据是线性可分的,所以可以用一条直线将这两类数据分开,这条直线就相当于一个超平面,超平面一边的数据所对应的y全是-1,另外一边所对应的y全是1。

                                                      

                                                                  图1:线性分类示例

这个超平面可以用分类函数f(x)=w^{T}x+b表示,当f(x)等于0的时候,x便是位于超平面上的点,而f(x)大于0的点对应y=1的数据点,f(x)小于0时的点对应于y=-1的数据点。

                                                      

                                                                     图2:支持向量示例

二、函数间隔与几何间隔

在超平面是w^{T}x+b=0确定的情况下,\left | w^{T}x+b \right |表示点x到距离超平面的远近,而通过观察w^{T}x+b的符号与类标记y的符号是否一致可判断是否正确,所以,可以用y(w^{T}x+b)的正负性来判定或表示分类的正确性,于是这里便引出来函数间隔的概念,定义函数间隔为:

                                                               \gamma {}'=y(w^{T}x+b)=yf(x)

但这样定义的函数间隔有问题,即如果成比例的改变w和b(如将它们都变成2w和2b),则函数间隔的值f(x)却变成原来的2倍,但是超平面却没有改变,所以只有函数间隔还远远不够。这里便引出来了点到超平面的真正几何距离——几何间隔。

        假定对于一个点x,令其垂直投影到超平面上的对应点为x_{0},w是垂直于超平面的一个向量,\hat{\gamma{}}为样本x到分类面的距离,如下图:

                                                        

                                                                   图3:几何距离示例

 有   x=x_{0}+\hat{\gamma{}} \frac{w}{\left \| w \right \|},其中\left \| w \right \|表示的是范数,这里指的是距离。

   又由于x_0是超平面上的点,满足f(x_{0})=0,代入超平面方程w^{T}x+b=0即可计算出:

                                                             

  • 1
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值