目录
一、回顾逻辑回归
（一）sigmod函数
（二）单项代价函数
1、y = 1，单项代价函数中“-”号前部分起作用，紫红色cost1(z)是y = 1时支持向量机的函数图像
2、y = 0，单项代价函数中“-”号后部分起作用，紫红色cost0(z)是y = 0时支持向量机的函数图像
二、支持向量机的代价函数
1、与逻辑回归代价函数的对比
①将划线部分换为cost函数
②去掉1/m
③换另一种控制权衡的方式，即将支持向量机中λ换成C ，即A+λ*B换成C*A+B
2、支持向量机的预测
三、又名大间距分类器
1、安全因子定义
θ的转置*x≥1而非是仅仅≥0即可，这意味着设置了一个安全因子，一个安全间距
注：其中参数求和符号上的n=m
2、安全因子的作用
（1）大间距分类器是在C值设很大时得到
C值假设是100000，此时，框内求和函数需为0，才可使代价函数最小化
（2）大间距分类器的图示说明
①对比说明
svm画出的是黑色那条，优于绿色和粉色两条分割线，因为他将正负样本以最大的间距分开，即黑色和数据间的最小距离（支持向量机的间距）更大，使得它具有很好的鲁棒性。为什么这个优化问题可以得到这个大间距分类器
②特点
大间距分类器（即C值被设得非常大）对异常点会很敏感，会因一个异常点而改变
（3）C值设得大，间距就大的数学逻辑
（ⅰ）向量概念：内积、范数（长度）
内积：红色线长度p的是向量VU的内积，即向量V到向量U上的投影
U^T*V=p*||U||=U1V1+U2V2（p的值是有符号的，若v和u之间的夹角是锐角，p是正；若v和u之间的夹角是钝角，p是负）
（ⅱ）支持向量机代价函数简化ⅵⅲ
①即C值取很大时，cost1和cost2都取0时的代价函数；再利用上述的向量概念，等价替换θ^Tx(i)，此时假设n=2
②将等价替换后的p(i)*||θ||代入到优化目标函数中
③图形的一些特点：
θ 0 = 0，说明决策边界必通过原点（0,0），任意一个决策边界都有对应一个θ是与其正交
④解释为什么可找到大间距分类器
因为它试图最大化所有p^(i)的范数，也就是训练样本到决策边界的距离，也是训练样本到θ的投影
举例说明：例如n=2、θ0 = 0时的情况，如下图任意一点数据集在θ上的投影即p^(i)都特别小（如左彼岸图p^(1)和p^(2)），则此时若要求
p^(i)*||θ||≥1，||θ||就会很大，所以代价函数则会很大；整体情况如左边图所示。右图中p^(1)和p^(2)都大，所以||θ||更小，从而最后的决策边界时右图所示
四、改造支持向量机
1、核函数的概念
高阶的计算量非常大，是否有其他更好的新的特征可以代替高阶
2、构造新特征f1、f2、f3的方法
（1）f1、f2、f3是什么
是相似度的度量，是x与标记的三个点l^(1)、l^(2)、l^(3)的相似度，通过标记点和相似度函数来定义新的特征变量，从而训练复杂的非线性边。
（2）相似度函数similarity(x,l^(i))
就是一个核函数k(x,l^(i))（高斯核函数
（3）f1、f2、f3表达式
如下图所示：标记三个点l^(1)、l^(2)、l^(3)，其中f1、f2、f3是相似度函数
注：其中||x-l^(1)||^2是x与 l^(1)的欧式距离，每个标记的l^(i)（i =1,2,3）对应一个fi（i=1,2,3）
（4）f1、f2、f3的数学解释
如果x非常接近标记，那么特征f非常接近于1；如果x和标记非常远，那么特征f非常接近于0，计算如下所示：
（5）f1、f2、f3函数图示
由图中可知
①离特征值越远，则函数值接近0；离特征值越近，则函数值接近1
②高斯核中参数σ越小，凸起的宽度变窄，等高线圈越小，特征变量的值减小的速度变快（越陡）
（6）预测函数
前提：假设θ是已知的，将图中粉色点、湖蓝色点、绿色点这三个训练实例代入公式，观察预测值；
例如粉色这点距离l^(1)近，则f1为1；距离l^(2)和l^(3)远，所以f2和f3都为0；代入公式得出结果
结论：接近l^(1)和l^(2)的预测值都为1，远离l^(1)和l^(2)的预测值都为0；最终得到红色的决策边界，红色决策边界里面的y值为1，外面的y值为0
五、补充细节
应用思想——处理支持向量机中的偏差方差折中
1、如何得到标记点？
方法就是选取样本点，直接将训练样本作为标记点；
而选取的变量x可以是训练集也可以是验证集或是测试集；
将f1、f2、f3组成特征向量f；
将训练的x^(i)分别代入到f1、f2、f3……fm中去，得到x^(i)与其各标记点的相似度，得到合并的向量f来描述特征
2、公式详解
（1）特征f的个数，是实际的标记数+1，其中+1是来自于截距
（2）代价函数中，参数的求和公式上的n=m的，即m个标记点个数，同之前正则化类似，不会正则化θ0
（3）参数中的平方可以换成θ^T*θ，大多数支持向量机在实现的时候，都是用θ^T*Mθ（M是某个向量）替换θ^T*θ，这种形式是另一种略有区别的距离度量方法，是参数θ的缩放版本，使得向量机能能有效的运行，可应用更大的训练集
（4）核函数概念也可运用到其他算法上，但是只有在支持向量机上时，才相得益彰，高级优化机器是专门为支持向量机提出的
（5）参数C，等价于神经网络中的参数1/λ，λ是正则化的系数，λ越大正则化越强，λ越小正则化越弱。
（6）参数σ^2,大σ^2，函数图像变化非常平滑，类似大λ即正则化强，高偏差，低方差
小σ^2，图像变化非常陡峭，类似小大λ即正则化弱，高方差，低偏差
六、使用支持向量机
1、利用现有软件库来寻找最优的θ
2、确认参数：
①参数C的选择
②选择内核参数
case1：线性核的SVM
定义：是指不带核函数的SVM；比如SVM的另一个版本，只是给的是一个标准的线性分类器，可以linear函数去拟合
适合的情况：如特征量大即n大，且m即训练的样本数很小，若想用线性拟合而不是复杂的非线性函数拟合边界的情况
case2：带核的高斯内核函数
第二步：选择σ^2,考虑偏差和方差的权衡
适合的情况：拟合相当复杂的非线性决策边界，高斯函数适合
第三步：提供核函数（如高斯函数），能够输入x1，x2来计算核函数的特征变量fi并返回一个实数；注意若特征变量的大小变化大，在计算之前需要将这些特征变量的大小按比例归一化。（why：若大小相差很大，整个函数就由数值大的特征来决定）所以归一化是保障svm考虑到所有不同的tezhengbianl
3、何时选择线性内核函数或高斯内核等核函数
（1）选择的核函数需要满足莫塞尔定理
why:因为核函数的运行技巧都是基于满足莫塞尔定理的基础上,莫塞尔定理确保所有的svm包和所有的svm软件包能够用 大类的优化方法并从而迅速得到参数θ
（2）其他核函数（很少用 ）：
①多项式核函数 （Polynomial kernel），
适用于：x和l都是严格的非负数时，以保证内积值永远不会是负数
公式形式如下图：
②文本字符串核函数（String kernel）：适用于当输入的数据是字符串时
③卡方核函数（chi-square kernel）
④直方相交核函数（histogram intersection kernel）
（3）多分类函数
用one-vs-all（一对多）的方法，训练ksvm，k个类别，每个类别从其他的类别中区分开来
分类出y=1和其他类别，得到θ^(1)向量；分类出y=2和其他类别，得到θ^(2)向量；
分类出y=3和其他类别，得到θ^(3)向量…… 最后，用最大的θ^T*X来预测类别i
（4）逻辑回归和svm的选择
case1：特征数量n比训练样本m个数多，如文本分类（一万个特征）使用逻辑回归或不带核的svm
case2：特征数量n少（1-1000），训练样本m大小适中（10-10000），使用高斯核函数的svm
case3：特征数量n少（1-1000），训练样本m大（50000-上百万），高斯核函数运行速度慢
手动创建特征，用逻辑回归或不带核函数的支持向量机（这两个算法相似，在于做相似的事，得出相似的结果）
以上情况都适合用神经网络，根据不同情况的设计不同的结构，缺点是会慢；相比较下，svm包运行快得多；svm是一种凸优化问题，可以找到全局最优解，不用担心局部最优；但是神经网络就存在局部最优这不大不小的问题
3378
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
