优化问题:
最小化代价函数 w方:代价函数是可以根据实际问题进行选择、缩放、变换的,例如由凹变凸函数(绝对值变平方)。类别由0、1变为1,-1,因为这样可以用一个公式表示两类
1、拉格朗日算子:求解等式限制条件极值。原理是组合目标方程和约束条件,极值点在导数为0处取得。
2、对偶问题:对偶问题的实质是在min max=max min情况下(KKT),先求解容易求导的变量。
3、KKT条件(非等式约束):假设极值点在边界,KKT不等式则变为等式取极值(变相的拉格朗日)
4、凸函数:集合内部任意两点的连线还在集合内部
6、求解步骤:
第一,变为对偶问题后,先对w,b求导使目标函数导数为0,用拉格朗日算子表示wh和b
第二,将w,和b的表达式代入原目标方程,只剩下拉格朗日算子变量,根据kkT条件,使用SMO求解算子
第三,求得拉格朗日算子后,带入目标函数求解w,b
第四,测试时,只需要计算wx+b=ay<x,x>,其实还是内积,即可判断类别
7、支持向量(高维):真正对函数判别式有用的是支持向量。在测试时,只需要计算内积,而有用的内积只有少数支持向量,因为更远的向量,在目标函数中值为0 .
8、核函数:原始优化目标求解时,使用的是原始空间内积。核函数平方的作用,其实是相当于映射到高维度。将原本需要先对变量映射再内积的运算转换为直接在低维空间运算。例如: