支持向量基
@[拉格朗日乘子法|对偶问题|KKT条件|核函数|hinge损失]
存在多个超平面将样本划分的情况下,选择对训练样本局部扰动容忍性最好的。
间隔与支持向量
划分超平面的法向量为
w=(w1;w2;...;wd)
w
=
(
w
1
;
w
2
;
.
.
.
;
w
d
)
,则超平面为
wTx+b=0
w
T
x
+
b
=
0
。任一点x到超平面(w,b)距离为
假设超平面将样本正确分类,则对于 (xi,yi)∈D ( x i , y i ) ∈ D ,若 yi=+1 y i = + 1 ,有 wTxi+b>0 w T x i + b > 0 ;若 yi=−1 y i = − 1 ,有 wTxi+b<0 w T x i + b < 0 。令
则 wTx+b=±1 w T x + b = ± 1 为”支持向量“,支持向量间距离,即“间隔”为 γ=2∥w∥ γ = 2 ‖ w ‖ 。
欲找到“最大间隔”的超平面,即最大化
∥w∥−1
‖
w
‖
−
1
,等价于最小化
∥w∥2
‖
w
‖
2
。于是支持向量基的基本型为
对偶问题
对基本型问题应用拉格朗日乘子法得到其“对偶问题”,求解对偶问题更高效。基本型的拉格朗日函数为
令L对w和b偏导为0,代入L得对偶问题为
上述过程需满足KKT条件
SMO算法求解对偶问题。思路是每次选择两个变量 αi、αj α i 、 α j ,固定其他参数,求解对偶问题问题更新 αi、αj α i 、 α j ,直到收敛。
违背KKT条件程度越大,变量更新后导致的目标函数值减幅越大,所以每次选择的样本尽量有很大的差别。
核函数
如果样本不是线性可分的,可将样本从原始空间映射到更高维的特征空间,使样本在高维空间里线性可分。
- 令 φ(x) φ ( x ) 表示将x映射后的特征向量,于是特征空间中划分超平面为 f(x)=wTφ(x)+b f ( x ) = w T φ ( x ) + b ,并有类似上文的原问题及对偶问题。
- 计算对偶问题涉及内积计算,对无穷维计算内积很困难,因此将特征空间的内积定义为原始样本空间的”核函数“。
常用核函数:
线性核:
κ(xi,xj)=xTixj
κ
(
x
i
,
x
j
)
=
x
i
T
x
j
高斯核:
κ(xi,xj)=exp(−∥xi−xj∥22δ2)
κ
(
x
i
,
x
j
)
=
e
x
p
(
−
‖
x
i
−
x
j
‖
2
2
δ
2
)
软间隔与正则化
防止过拟合,允许软间隔,即最大化间隔的同时,不满足样本尽可能少并引入松弛变量。于是优化函数为
“0-1损失函数”不连续,一般用替代损失函数,如
hinge损失: ιhinge(z)=max(0,1−z) ι h i n g e ( z ) = m a x ( 0 , 1 − z )
python sklearn实现
import pandas as pd
import numpy as np
from sklearn import svm
from sklearn.model_selection import train_test_split,cross_val_score
import matplotlib.pyplot as plt
import matplotlib as mpl
# txt也可以用read_csv读成dataframe,.loc取出需要的列 行数表示到某一行
iris = pd.read_csv('E:\\study\\data\\iris.txt',sep=',',skiprows=[1])
X = iris.loc[:,['sepal length','sepal width']]
y = iris.loc[:,['class']]
x_train,x_test,y_train,y_test = train_test_split(X,y,test_size=0.3)
clf = svm.SVC(C=0.8,kernel='rbf',gamma=20,decision_function_shape='ovr')
clf.fit(x_train,y_train)
print clf.score(x_test,y_test) #精确度0.778
优缺点
优点:只关心支持向量,模型鲁棒性高,适用小样本。线性可分情况下SVM相当于逻辑回归,可使用非线性核解决线性不可分的情况。
缺点:噪声敏感,对大规模训练样本难以实施,对多分类问题存在困难。
tips
- 如果feature数量很大,跟样本数量差不多,选用LR或者线性核的SVM;
- 如果feature数量小,样本数量一般,选用高斯核SVM;
- 如果feature数量小,样本数量多,需要手工添加一些feature变成第一种情况。