机器学习

文章很长 文末有福利

本文的目的是讲解传统的推导。

SVM的超平面

SVM模型的基本原理，就是寻找一个合适的超平面，把两类的样本正确分开。单个SVM只能处理二分类，多分类需要多个SVM。

【什么是超平面？】
超平面就是n维度空间的n-1维度的子空间。换成人话就是2维空间中的1维度的线，三维立体空间的二维平面。

图中总共有5个超平面，那么哪一个是最好的呢？我们认为中间的那个是最好的。因为他对两侧的间隔较大。

SVM基本型

超平面我们可以用这个方程来表示：
wTx+b=0wTx+b=0

空间中任意一个点x到这个超平面的垂直距离为：
d=|wTx+b|||w||d=|wTx+b|||w||

这里不得不提到一下逻辑回归，对于逻辑回归来说：

就是在超平面一侧的样本，逻辑回归给出的预测类别是1，另外一侧就是0.

但是SVM觉得这样有一些过于绝对了，所以：

不仅仅要一个样本在平面的一侧，还要在平面的这一侧足够远的地方，才能算作某一类的样本。

从图中可以看到，两条虚线之外的点，才是SVM能确定是正样本还是负样本的点。

【什么是支持向量？】
图中距离超平面最近的几个训练样本，并且这几个训练样本可以让上式的等号成立。这个点就是支持向量。

【什么是SVM的间隔】
两个不同类别的支持向量到超平面的最小距离之和。其实也就是2||w||2||w||

---

到这里，我们可以隐隐约约的发现，寻找最优的超平面其实等价于寻找一个最大的间隔，或者说让间隔最大化。所以可以得到：
maxw,b2||w||maxw,b2||w||
这个的约束条件就是：让SVM给正样本的打分大于1，给负样本的打分小于-1,也就是：

简化一下这个约束条件，可以得到：
yi(wTxi+b)>=1yi(wTxi+b)>=1

一般我们都是求取最小化问题，所以把最大化max问题取倒数，变成最小化问题：
minw,b||w||2minw,b||w||2
这里为了后续的计算方便，最小化||w||||w||等价于最小化||w||2||w||2,所以得到：
minw,b||w||22minw,b||w||22

总之SVM的基本型就是:

SVM求解

现在求得了基本型。现在可以来进一步优化这个最小化问题。但是首当其冲的问题便是，如何处理这个约束条件。这里用到的方法是拉格朗日乘子法。将约束条件以αiαi的权重加入到优化问题中，所以可以得到：
Loss(w,b,α)=12||w||2+∑mi=1αi(1−yi(wTxi+b))Loss(w,b,α)=12||w||2+∑i=1mαi(1−yi(wTxi+b))

• 这里的loss就是我们要最小化的对象；
• 这里的m就是支持向量的数量。

为了最小化这个问题，对w和b求偏导数，可以得到：
w=∑mi=1αiyixiw=∑i=1mαiyixi
0=∑mi=1αiyi0=∑i=1mαiyi

然后把这两个公式代入到：
Loss(w,b,α)=12||w||2+∑mi=1αi(1−yi(wTxi+b))Loss(w,b,α)=12||w||2+∑i=1mαi(1−yi(wTxi+b))

可以消掉w和b，得到：

约束条件为：

从而根据这个计算出αiαi的取值，然后得到w和b的取值。

【到底如何求解αα?】
上面说的最后一部求解alpha，都是理论可以求解，但是实际中如何做到呢？其实这里如何求解αα要用到另外一个条件。

就是上述过程要满足一个叫做KKT的条件（KKT具体是什么有点复杂，就不多说了）：

• 想要第三个公式成立，要么αiαi等于0，要么yif(xi)−1=0yif(xi)−1=0.如果alpha=0，那么意味着这个样本不是支持向量，不应该对SVM超平面起到任何影响，所以是不可能的。所以只有yif(xi)−1=0yif(xi)−1=0。

加上了这个条件，我们可以求解出来αiαi的具体数值，然后求解w和b的数值。

假设有3个支持向量，那么就会有三个α1,α2,α3α1,α2,α3 ,然后根据yif(xi)−1=0yif(xi)−1=0可以列出3个关于α1,α2,α3α1,α2,α3的三元一次方程组，然后得到唯一解。

《 Java学习、面试；文档、视频资源免费获取