关于SVM训练数据维度和过程的详细讨论

笔者在学习了支持向量机的基本原理后，使用matlab训练时，经常遇到向量维度不一致导致的运算错误，认为其原因在于参考一些文章的做法时，大多数作者并没有细致的解释数据集的排列方式，行向量，列向量等，对于初学者来说有些迷惑。

本文基于Matlab中的quadprog 解函数来分析SVM手写推导过程

1. 数据集描述

• $X_{[57\times 2000]}$: 训练集样本 ,57行，2000列，每一列是一个样本，每个样本是57维的列向量
• $Y_{2000\times 1}$: 训练集标签，2000行，1列，每一行保存一个数（1或-1）描述样本的类别

2. 二次型优化问题

2.1拉格朗日求解建立

前面的文章《Support Vector Machines 支持向量机》中提到过（后文简称上篇文章），求解SVM本身就是一个最优化问题，我们由此建立了拉格朗日函数：
$$L=\frac{1}{2}{||\vec{w}||}^2-\sum {\alpha }_i[y_i(\vec{w}\cdot \overrightarrow{x_i}+b)-1]$$

$$L=\sum {\alpha }_i-\frac{1}{2}\sum _i\sum _j{\alpha }_i{\alpha }_j{y}_i{y}_j\overrightarrow{x_i}\cdot \overrightarrow{x_j}$$

并且由于我们的样本数据有57维，在二维平面空间并不可分，我们采用了核函数来完成高维映射：
$$K(\overrightarrow{x_i},\overrightarrow{x_j})=\varphi (\overrightarrow{x_i})\cdot \varphi (\overrightarrow{x_j})$$
因此改写拉格朗日函数为：
$$L=\sum {\alpha }_i-\frac{1}{2}\sum _i\sum _j{\alpha }_i{\alpha }_j{y}_i{y}_{j}K(\overrightarrow{x_i},\overrightarrow{x_j})$$

2.2 Matlab中的quadprog 解函数

quadprog 是 Matlab中用于求解二次规划（Quadratic Programming）问题的函数。二次规划问题通常具有以下形式：
$$\underset{x}{\min }\frac{1}{2}{x}^{T}Hx+f^{T}x$$
其中，$x$是待求解的变量，$H$ 是对称正定矩阵, $f$是一个列向量。

quadprog 函数的语法为：

[x,fval,exitflag,output,lambda] = quadprog(H,f,A,b,Aeq,beq,lb,ub,x0,options)

这里是参数的含义：

• H：二次项系数矩阵，通常是对称正定的。
• f：一次项系数列向量。
• A、b：不等式约束矩阵和向量。
• Aeq、beq：等式约束矩阵和向量。
• lb、ub：变量下界和上界。
• x0：可选的初值。
• options：优化选项，可以设置迭代次数等参数。

quadprog 函数的返回值包括：

• x：最优解。
• fval：目标函数的最优值。
• exitflag：表示求解器退出状态的标志。
• output：包含有关求解器操作的详细信息。
• lambda：最优解处的拉格朗日乘子。

使用 quadprog 函数可以有效地求解二次规划问题，尤其适用于具有线性和二次约束的优化问题。

2.3 用quadprog 求解SVM的拉格朗日乘子

• 需要最大化的值：
  $$L=Q(\alpha )=\sum _i^N{\alpha }_i-\frac{1}{2}\sum _i^N\sum _j^N{\alpha }_i{\alpha }_j{y}_i{y}_{j}K(\overrightarrow{x_i},\overrightarrow{x_j})$$

  • 我们的训练集样本是2000个，要处理他们两两之间的内积，$N$是样本个数2000

• 限制条件：

  • $\sum {\alpha }_i{y}_i=0$ 见上篇文章中公式5，由$\frac{\partial L}{\partial b}=0$化简得来
  • $0\le {\alpha }_i\le C$
    • 如果采用Hard Margin：理论上$C=+\infty$, 在程序中可用较大的数代替（$10^6$）
    • 如果是Soft margin：$C=0.1,0.6,\mathrm{2.1...}$

• quadprog求的是最小值，我们需要把求$L$最大转换成求$-L$的最小值，这样才能代入求解函数中

$$\underset{x}{\min }\frac{1}{2}{x}^{T}Hx+f^{T}x$$

$$min[-Q(\alpha )]=\frac{1}{2}\sum _i^N\sum _j^N{\alpha }_i{\alpha }_j{y}_i{y}_{j}K(\overrightarrow{x_i},\overrightarrow{x_j})-\sum _i^N{\alpha }_i$$

• 注意我们的变量是$\alpha$

• 这样对应得到quadprog 函数应该传入的参数如下：

  • H：一个$N\times N$的矩阵， $N=2000$, 其元素值如下

    • $$H_{i,j}=y_i{y}_{j}K(x_i,x_j)$$
    • H=Y*Y'.*kernel(X,X);等价的求H矩阵方式

  • f：一个$N\times 1$的列向量， $N=2000$，所有元素值都是$-1$，这样 $f^T$就是一个全是$-1$的行向量，和${\alpha }_{[2000\times 1]}$相乘后就是 $-{\sum }_i^N{\alpha }_i$ 项

  • A、b：不等式约束$A\cdot x\le b$, 未使用，直接赋空矩阵A=[]、b=[]

  • Aeq、beq：等式约束$Aeq\cdot x=beq$, 我们要满足$\sum {\alpha }_i{y}_i=0$，所以Aeq=Y'、beq=0, Y训练集标签本身是列向量，转置后Y'与$\alpha$列向量乘积=0

  • lb、ub：变量下界和上界，都是$N\times 1$的列向量，下界所有元素是0，上界都是$C$, 表示所有${\alpha }_i$的范围都是$0\le {\alpha }_i\le C$

  • 其余参数可选

• 在上篇文章中介绍过的例子，当向量是支持向量，也就是在范围边界上，那么对应拉格朗日乘子${\alpha }_i$的值是1，其他的是0，这是一个具体的例子。

• 基于KKT条件：对于支持向量，${\alpha }_i\ne 0$ (理论上$>0$)

• 但是由于程序无法达到理论的要求，比如$C\ne +\infty$，存储的0也不是真的0而是很小的值 等等原因，我们需要设置一个判定标准，来判断向量是否是支持向量。也就是：如果 ${\alpha }_i>threshold$, 那么这个向量是支持向量。

  • 可以选取 $threshold=10^{-4}$，令支持向量的${\alpha }_i=1$
  • 同时令${\alpha }_i<threshold$ 的其他向量${\alpha }_i=0$

至此，我们利用quadprog 函数先求解了实际的$\alpha$向量，然后利用判定门限，得到$\alpha$的逻辑值。

3. SVM 决策函数参数 $\vec{w}$ 和 $b$ 的求解

3.1 一般情况推导

• 依照上篇文章推导出的公式4，不难发现$\vec{w}$和$\alpha$ 的关系

$$\vec{w}=\sum _{i=1}^N{\alpha }_i{y}_i\overrightarrow{x_i}$$

• 另外，由于支持向量满足$y_i(\vec{w}\cdot \overrightarrow{x_i}+b)-1=0$, 所以

$$b=\frac{1}{y_s}-{\vec{w}}^T\cdot \overrightarrow{x_s}$$

• 其中，$w$的维度应该与一个样本$x_i$一致，是$57\times 1$

• 这样得到决策函数：
  $$g(x)=w^{T}x+b$$

3.2 引入核函数

• 由于我们采用了核函数，已经把$x_i$ 映射到了高维的 $\varphi (x_i)$

• 求解的$w$变成了：
  $$w=\sum _{i=1}^N{\alpha }_i{y}_i\varphi (x_i)$$

• 决策函数变成了：
  $$\begin{gathered} g(x)=w^T\varphi (x)+b \\ =\sum _{i=1}^N{\alpha }_i{y}_i{\varphi }^T(x_i)\varphi (x)+b \\ =\sum _{i=1}^N{\alpha }_i{y}_{i}K(x_i,x)+b \end{gathered}$$

• 预测结果：
  $$Y_{pred}=sgn[g(x_{test})]$$