1. 模型
1.1 超平面
我们称下面形式的集合为超平面
其中\(\bm{a} \in \mathbb{R}^n\)且\(\bm{a} \ne \bm{0} , \bm{x}\in \mathbb{R}^n, b \in \mathbb{R}\)。解析地看,超平面是关于\(\bm{x}\)的非平凡线性方程的解空间(因此是一个仿射集,仿射集和凸集的概念参考Stephen Boyd的《凸优化》)从几何上看,它的的法向量为\(\bm{a}\),而常数\(b\in \mathbb{R}\)决定了这个超平面从原点的偏移。这如何得到的呢?这是因为,若我们由法向量\(\bm{a}\)和超平面上一点\(\bm{x}_{0}\)确定超平面,则对超平面上任意一点\(\bm{x}\),我们可以得到\(\bm{x} - \bm{x}_0\)一定垂直于\(\bm{a}\),则超平面的集合便可以表示为
\(\mathbb{R}^2\)中的几何化的解释如下图所示,其中深色箭头表示\(\bm{x} - \bm{x}_0\):
一个超平面将\(\mathbb{R}^n\)划分为两个半空间,(闭的)半空间是具有下列形式的集合:
即(非平凡)的线性不等式的解空间,其中\(a\ne 0\)。半空间是凸的,但不是仿射的。集合\(\{\bm{x} | \bm{a}^T \bm{x} -b < b\}\)是半空间\(\{\bm{x} | \bm{a}^T \bm{x} -b \leqslant 0\}\)的内部,称为开半空间。
1.2 线性可分支持向量机
我们定义样本空间为\(\mathcal{X} \subseteq \mathbb{R}^n\),输出空间为\(\mathcal{Y} = \{+1, -1\}\)。\(\bm{X}\)为输入空间上的随机向量,其取值为\(\bm{x}\),满足\(\bm{x} \in \mathcal{X}\);\(Y\)为输出空间上的随机变量,设其取值为\(y\),满足\(y \in \mathcal{Y}\)。我们将容量为\(m\)的训练样本表示为:
当\(y^{(i)} = +1\)时,我们称\(\bm{x}^{(i)}\)为正例;当\(y^{(i)} = -1\)时,称\(\bm{x}^{i}\)为负例。\((\bm{x}^{(i)}, y^{(i)})\)称为样本点。
如果我们假设训练数据集是线性可分的,则我们可以在特征空间中找到一个分离超平面\(\{ \bm{x} | \bm{w}^T \bm{x} + b = 0 \}\),将特征空间划分为\(\{ \bm{x} | \bm{w}^T \bm{x} + b > 0 \}\)和\(\{ \bm{x} | \bm{w}^T \bm{x} + b < 0 \}\)两个开半空间(显然法向量\(\bm{w}\)指
向的一侧为正,另一侧为负),且为正的一侧对应负类,为负的一侧对应负类。
如果训练集线性可分,则我们存在无穷多个分离超平面将两类样本分开。如果我们采用感知机的误分类最小的训练策略(也就是仅仅保证分类的正确性),那么我们将求得无穷多个解。我们接下来定义的线性可分支持向量机将利用“间隔最大化”求解最优分离超平面(即能将两组数据正确划分且间隔最大的超平面,我们在“学习策略”板块中将详述这一概念),这时解是唯一的。
形式化地说,给定线性可分的数据集,通过间隔最大化策略学习得到的分离超平面为
以及相应的分类决策函数
称为线性可分支持向量机。
2. 学习策略
我们前面提到最好的超平面需要能将两组数据正确划分且间隔最大,那么间隔最大如何形式化地定