浙大胡教授ML课学习记录_2.1_SVM_线性可分

SVM线性可分情况

1. 线性可分

存在一条直线可以将 O 和 X 分开

存在一个平面可以将 O 和 X 分开

如果一个数据集是线性可分的，那么存在无穷多个超平面将各个类别分开。（有个证明，我不会）

2. 解决线性可分问题

问：哪一条最好？
答：大部分人都会认为是 2 号线比较好。其实是在假设的基础上，就是假设训练样本的位置在特征空间上有测量误差。2 号线更能抵抗训练样本位置的误差。

问：2 号线怎么画？
答：Vapnik 给出了一个基于最优化理论的答案。
假设对于任意一条分开两类的直线，将该直线朝一侧平行移动，直到插入到一个或者多个训练样本为止，同理朝另一侧平行移动。这两条平行线插入的训练样本称为这个数据集的支持向量，两条平行线之间的距离称为间隔，2 号线就是间隔最大的那条线。

SVM 寻找的最优分类直线应该满足：

1. 该支线分开了两类
2. 该直线最大化间隔（margin）
3. 该直线处于间隔的中间，到 所有支持向量距离相等

3. 优化问题

3.1 线性可分数学定义

一个训练样本集 { ( x i , y i ) } , i = 1 ～ N \{(x_i, y_i)\},i=1～N {(xi​,yi​)},i=1～N 线性可分，是指存在 $(\omega ,b)$ 使：
$$\begin{array}{rl}& ①当y_i=+1时,{\omega }^T{x}_i+b\ge 0\\ & ②当y_i=-1时,{\omega }^T{x}_i+b<0\\ & 综合①②得:\\ & y_i[{\omega }^T{x}_i+b]\ge 0(公式1)\end{array}$$
其中，$x_i$ 为向量，$y_i$ 为标签

3.2 SVM 优化问题

最小化：
$$\frac{1}{2}||\omega |{|}^2$$
限制条件：
$$y_i[{\omega }^T{x}_i+b]\ge 1(公式2)$$

问：为什么这样写?
首先说明两个事实

1. ${\omega }^{T}x+b=0$ 和 $a{\omega }^{T}x+ab=0$ 是同一个平面或同一条线，例如$a(kx+b)=0$ 和 $kx+b=0$ 是同一条线，其中 $a\in R^{+}$。
2. 点(支持向量) $X_0$ 到直线或者点到平面距离公式为
   $$d=\frac{|{\omega }^T{X}_0+b|}{||\omega ||}$$

答：我们可以用 $a$ 去缩放 $(\omega ,b)\to (a\omega ,ab)$，
最终使在支持向量$X_0$上有：$|{\omega }^T{X}_0+b|=1$，
此时支持向量与平面距离 $d=\frac{1}{||\omega ||}$
margin 也就是二倍的 $d$，我们的目的是为了最大化 margin，等价于最小化 $||\omega ||$，为什么写的时候加上了平方还乘一个$\frac{1}{2}$，那是为了方便求导进而方便求解。

问：公式 2 中的大于等于 1 可不可以写成 2 或者其他正数
答：可以，改成其他正数求得的 $({\omega }^{\prime },b^{\prime })$ 和为 1 时求得的 $(\omega ,b)$ 结果相差的倍数是一个常数 $a$。

SVM 优化问题也是凸优化问题中的二次规划问题，这个在最优化理论中有证明，这里只说结论：
如果：

1. 目标函数为二次项
2. 限制条件为一次项

那么，求解只有两种情况：

1. 无解
2. 只有一个极值