SVM——支持向量机（二）

硬间隔SVM

4. 软间隔SVM

之前的描述都是基于数据是线性可分的情况。但是实际上并不能保证总是线性可分的；并且全部线性可分的分隔面并不一定是最好的，如下图所示，尽管实线实现了全部分隔，但其间隔很小，有轻微扰动时将会发生误判。相比之下，虚线的分隔面要更好一些。

为使得模型能够适应非线性数据集，同时对离群点不那么敏感，将优化模型进行 $l_1$ 正则化如下：

5. 线性 SVM 算法步骤

SMO算法原理

6. 核方法

6.1 特征映射

6.2 特征的最小均方（LMS）

但是，当变量的特征维数迅速扩大时，其特征的组合数也会急速扩大，如令 $\varphi (x)$ 是三次幂之下的特征组合时，当 $x$ 只有三个维度，那么 $\varphi (x)=[1,x_1,x_2,x_1^2,x_1{x}_2,x_1{x}_3,x_2^2,x_2{x}_3,x_3^2,x_1^2{x}_2,x_1^2{x}_3,x_2^2{x}_1,\cdots ,x_3^3]$，即维度 $d$ 的三次幂 $d^3$。此时，模型的参数量和计算量都将急剧增加。

6.3 核方法

6.3.1 核方法的推导

为避免大量运算，考虑使用核方法，如下：

即，使用向量内积 $⟨\varphi (x^{(j)},x^{(i)})⟩$ 替代特征的组合运算，从而大幅降低计算复杂度。

6.3.2 两个优点

1. 在每次参数更新前需提前计算 $⟨\varphi (x^{(j)},x^{(i)})⟩$ ，将时间复杂度 降至 $O(p)$；
2. 内积 $⟨\varphi (x^{(j)},x^{(i)})⟩$ 的计算是便捷有效的，无需分别计算 $\varphi (x^{(i)})$，直接降复杂度降至 $O(d)$，因为：

6.3.3 核方法的步骤

6.4 核方法的性质

6.4.1 多项式核

从上述推导中可以看出，核方法只需要保证这个特征映射 $\varphi$ 是存在的，而不需要显式的写出这个特征映射。即只需说明，是否存在这样一个特征映射 $\varphi$，使得 $K(x,z)=⟨\varphi (x,z)⟩=\varphi (x{)}^T\varphi (z)$ 对所有的 $x,z$ 都成立。

如果存在，则可以将选择特征映射 $\varphi$ 的工作转换为 选择 核函数 $K$ 的工作。这样做的好处在于，不要显式的特征映射写出来，而是只需要知道存在即可。具体例子如下：

更一般的，对于核 $K(x,z)=(x^{T}z+c{)}^k$，对应于从 $1$ 维到 $d+k$ 维的特征映射。其工作空间是 $O(d^k)$ ，但核 $K(x,z)$ 的计算只需 $O(d)$ 的时间。

6.4.2 高斯核

核是一种相似性度量。

若 $\varphi (x)$ 和 $\varphi (z)$ 很接近，那么 $K(x,z)=\varphi (x{)}^T\varphi (z)$ 就会很大；相反的，若 $\varphi (x)$ 和 $\varphi (z)$ 差异很大，那么 $K(x,z)=\varphi (x{)}^T\varphi (z)$ 就会变小。因此可以将 $K(x,z)$ 视为 $\varphi (x)$ 和 $\varphi (z)$ 的相似性的度量。

此时，选择 高斯核，此时，若 $x$ 和 $z$ 很接近，那么趋于1；若差距很大，则趋于 0 。高斯核对于一个无限维的特征映射。
$$K(x,z)=exp(-\frac{||x-z|{|}^2}{2{\sigma }^2})$$

6.4.3 一个核函数有效的充要条件

7 非线性SVM——核方法

在线性支持向量机学习的对偶问题中，用核函数 $K(x,z)$ 替代内积，求解得到的就是非线性支持向量机。