（系列笔记）13.SVR模型

SVR——一种“宽容的回归模型”

严格的线性回归

线性回归：在向量空间里用线性函数去拟合样本。该模型以所有样本实际位置到该线性函数的综合距离为损失，通过最小化损失来求取线性函数的参数。对于线性回归而言，一个样本只要不算正好落在作为模型的线性函数上，就要被计算损失。

宽容的支持向量回归（SVR）

介绍一种“宽容的”回归模型：支持向量回归(Support Vector Regression，SVR)

模型函数

支持向量回归模型的模型函数也是一个线性函数：$y=wx+b$，但是和线性回归是两个不同的回归模型！
不同点在于：计算损失的原则不同，目标函数和最优化算法也不同。

原理

SVR在线性函数两侧制造了一个“间隔带”，对于所有落入到间隔带内的样本，都不计算损失；只有间隔带之外的，才计入损失函数。之后再通过最小化间隔带的宽度与总损失来最优化模型。如下图这样，只有那些圈了红圈的样本（或在隔离带边缘之外，或落在隔离带边缘上），才被计入最后的损失：

SVR的两个松弛变量

有一点和SVM是正好相反的：SVR希望样本点都落在“隔离带”内，而SVM希望样本点都在“隔离带”外。这导致SVR要同时引入两个松弛变量：$\xi$和${\xi }^{\ast }$

上图显示了SVR的基本情况：

1. $f(x)=wx+b$是我们最终要求得的模型函数；
2. $wx+b+ϵ$$wx+b-ϵ$（也就是$f(x)+ϵ$和$f(x)-ϵ$）是隔离带的上下边缘；
3. ${\xi }^{\ast }$是隔离带下边缘之下样本点，到隔离带下边缘上的投影，与该样本点$y$值的差。

公式表述：

对于任意样本$x_i$，如果它在隔离带里面或者隔离带边缘上，则$\xi$和${\xi }^{\ast }$都为0；如果它在隔离带上边缘上方，则$\xi >0$ , ${\xi }^{\ast }$=0；如果它在隔离带下边缘下方，则$\xi =0$ , ${\xi }^{\ast }0$；

SVR的主问题和对偶问题

SVR主问题的数学描述

SVR的拉格朗日函数和对偶问题

我们针对上述主问题引入拉格朗日乘子：

构建拉格朗日函数：

它对应的对偶问题是：

求解SVR对偶问题

按照前面讲的方法，首先要求最小化部分：

然后分别对$w,b,{\xi }_{}$