哈工大机器学习期末复习笔记（二）

最新推荐文章于 2023-02-03 13:29:41 发布

绿色的海洋300

最新推荐文章于 2023-02-03 13:29:41 发布

阅读量1.1k

点赞数 2

文章标签：机器学习算法人工智能

本文链接：https://blog.csdn.net/qq_63540874/article/details/127452320

版权

1.SVM的基本思想

考虑用一个线性分类器对样本进行二分类，样本标签为 $y=\pm 1$ 。此时可能存在很多分类方法，它们有着不同的决策面，但是哪一个决策面最好呢？

用w表示决策面的法向量，样本的分类可以用x在法向量上的投影（w与x的内积除以w的长度就是投影大小），和决策面到原点的距离比较来判断。移项整理后，可以得到决策面的描述方程：

$w^{T}x+b=0$

一个直观的想法是，我们选择两类样本正中间的那个决策面，如上图所示。对于这个决策面而言，

属于第一类的每个样本 $x_{i}$ 都满足 $w^{T}x_{i}+b\leq -c$ ，

属于第二类的每个样本 $x_{i}$ 都满足 $w^{T}x_{i}+b\geq +c$ ，

也可以把两个式子整合到一起，写成 $(w^{T}x_{i}+b)y_{i}\geq c$ ，使等号成立的样本点被称为支持向量（support vector）。

而两类样本的间隔可以用它们在w上的投影长度之差来计算，即

$m=d^{-}+d^{+}=\frac{w^{T}(x_{i^{*}}-x_{j^{*}})}{||w||}=\frac{2c}{||w||}$

因此，现在的问题就是在样本点的约束下求最大间隔，即问题被转化为

$\begin{matrix} max_{\, w} &\frac{2c}{||w||} \\ s.t & y_{i}(w^{T}x_{i}+b)\geq c,\forall i \end{matrix}$

注意到，这里面的c只是作为一个系数影响着w和b的大小，但它其实不影响我们的决策面选择，并且，最大化 $\frac{1}{||w||}$ 等价于最小化 $\frac{1}{2}w^{T}w$ ，我们可以将问题重写为

$\begin{matrix} min_{\, w,b} &\frac{1}{2}w^{T}w \\ s.t & 1-y_{i}(w^{T}x_{i}+b)\leq 0,\forall i \end{matrix}$

这就是一个凸二次规划问题，可以用现成的包求解，但我们还可以对它做更深入的研究。

2.软间隔与损失函数

我们知道，一个机器学习模型的目标函数一般有两项组成，一项与data和model有关，这一项决定与样本数据的吻合度，另一项只与model有关，可以控制模型的复杂程度，使其具有较强的泛化能力。而在这个问题中，显然我们的目标函数只有第二项，这是因为，我们的约束条件已经决定了决策面在训练样本上是100%正确的。

但是样本总是可能出现特例，那些不小心跑到对面的样本点很容易让我们的决策面出现过拟合。

如果我们允许决策面不满足其中一些样本呢？

这就引入了“软间隔”的概念，我们允许某些样本不满足约束，但要为他们找到相应的损失函数 $h(z),\: z=y_{i}(w^{T}x_{i}+b)-1$

最简单直观的损失函数就是0/1损失函数(下图中红线)，即分类正确时损失为0，分类错误时损失为1。但这个函数不连续，性质不好，不利于我们求解目标函数，因而我们可以选择其他函数替代它。由于我们的目标是求解凸函数的最小值，替代时用它的上界会更好。

要取红线以上的函数，我们会想到用黑线替代，这就是hinge损失。但这个函数在z=1处不可导，这也不利于我们的计算，因此还可以采用指数损失，即图中绿线来替代。

现在来回顾一下实验二的逻辑回归，在逻辑回归中，有

$p(y=1|x)=h_{\theta }(x)=\frac{1}{1+e^{-\theta ^{T}x}}$

对每一个样本，我们都能得到这样一个概率。显然我们希望，当真实标签y=0时，我们预测的概率 $h_{\theta }(x)$ 能逼近1，即 $\theta ^{T}x$ 远大于0。而真实标签y=1时， $h_{\theta }(x)$ 能逼近0，即 $\theta ^{T}x$ 能远小于0。

真实标签 $y_{i}$ 对应了真实的概率分布 $P=\begin{cases} 1-y_{i},& y=0 \\ y_{i},& y=1 \end{cases}$ ，

我们预测的概率分布为 $Q=\begin{cases} 1-h_{\theta }(x),& y=0 \\ h_{\theta }(x),& y=1 \end{cases}$ 。

我们可以用KL散度（也称为相对熵）来度量这两组概率分布之间的差异。给定两个概率分布P和Q，二者之间的KL散度定义为：

$KL(P||Q)=-\sum\limits_{x} p(x)log\frac{p(x)}{q(x)}$

因此，真实概率分布与预测概率分布的KL散度为：

$KL(P||Q)=-(y_{i}log\, h_{\theta }(x)\, +\, (1-y_{i})log(1-h_{\theta }(x)))$

用KL散度作为损失函数，再加上正则项，我们可以写出逻辑回归的优化目标：

$min_{\, \theta } \; \; \; \frac{1}{m}(\sum_{i=1}^{m}y_{i}(-log\, h_{\theta }(x_{i}))+(1-y_{i})(-log(1-h_{\theta }(x_{i}))))\; +\; \frac{\lambda }{2m}\sum_{j=1}^{n}\theta _{j}^{2}$

类似的，可以写出SVM的优化目标函数：

$min_{\, \theta } \; \; \; C(\sum_{i=1}^{m}y_{i}cost_{1}(\theta ^{T}x_{i})+(1-y_{i})cost_{0}(\theta ^{T}x_{i}))\; +\; \frac{1 }{2}\sum_{j=1}^{n}\theta _{j}^{2}$

3.拉格朗日函数

我们先将SVM基本型的约束条件简化为等式约束，因为最终决定我们决策面的其实是那些等号成立的样本点。然后添加拉格朗日乘子λ≥0，得到拉格朗日函数 $L=f(w)+\lambda h(w)$

对w和λ求偏导等于0，即

$\begin{cases} &\bigtriangledown f(w)=-\lambda \bigtriangledown h(w) \\ & h(w)=0 \end{cases}$

从第一个式子可以看出， $\bigtriangledown f(w)$ 和 $\bigtriangledown h(w)$ 这两个向量是共线的。我们可以把f(w)想象成一个碗，约束函数 $h(w)=0$ 是碗上的一道裂纹

假如现在约束是不等式 $h(w)\leq 0$ ，会得到一个w的可行域。当可行域如上图所示时，显然f(w)的最小值在“裂纹”上取到。当我们采用梯度下降算法时， $\bigtriangledown f(w)$ 是斜向上与碗相切的（梯度指向最速上升方向）， $\bigtriangledown h(w)$ 则垂直于“裂纹” （“裂纹”上h(w)处处相等），当w不在裂纹上时，可以沿着与 $\bigtriangledown f(w)$ 相反的方向走，但走到裂纹上之后，就只能沿着裂纹走，而方向可以用夹角来判断。在最小值处， $\bigtriangledown f(w)$ 和 $\bigtriangledown h(w)$ 共线了，也就意味着不会再向裂纹的任何一个方向移动了。

相反，如果可行域不是图中的阴影部分，而是碗的剩余部分，显然最小值在碗底，此时最小值与h(w)无关，也意味着λ=0。

4.对偶问题

一般的，对一个原始的规划问题：

对每条约束添加拉格朗日乘子后，它的拉格朗日函数为：

其中 $\alpha _{i}\geq 0$ ，需要注意的是，对于这个函数，其自变量是w，α和β而不仅仅是w。可以发现，当w满足约束条件时，由于g(w)非正，α非负，h(w)=0，故对于不同的α和β而言，f(w)就是这个函数的上界。也就是说，求解约束条件下f(w)最小值的问题被转化为求：

它的对偶问题是：

它们之间的关系有定理给出：

并且，如果存在一组点使得中间的等号成立，就是强对偶。

为了简化问题，现在我们只考虑一组不等式约束，因为任意一个等式约束h(w)=0可以通过h(w)≥0和h(w)≤0给出。原问题和对偶问题之间的关系可以通过以下分析来更直观的展现：

由于g(w)≤0，f(w)是开口朝上的凸函数，可以大致画出w的可行域如图（也可能没有极小点，这没有关系）。而 $L(w,\alpha ,\beta )=f(w)+\alpha ^{T}g(w)$ 可以看成线性函数，即图中蓝线，显然 $L(w,\alpha ,\beta )$ 是截距， $-\alpha ^{T}$ 是斜率。对于原问题而言，是先给定w，然后L的值会随α的变化而变化，显然α=0时截距最大。而对偶问题则先给定α，再让w动，即直线平移到与可行域下界相切时，截距最小。

如果L存在一些鞍点（saddle point）满足Karush-Kuhn-Tucker条件（KKT），即：

那么它同时是原问题和对偶问题的解。

现在回到我们的问题：

可以写出它的拉格朗日函数：

将问题转化为它的对偶问题：

首先关于w,b求L的最小值，即对w和b求偏导等于0：

将这些条件代入，可以消去拉格朗日函数中的w和b，就得到了：

现在对偶问题被改写成了如下形式：

看起来问题并没有得到简化，但稍后我们会看到，改写后的对偶问题蕴藏着一些很重要的事。

KKT条件中有：

这意味着只有少数α可以是非0（此时g(w)取0），即，只有支持向量中的样本点的α才可以不取0，其他的α都是0。而且，根据

$w=\sum_{i=1}^{m}\alpha _{i}y_{i}x_{i}$ ，

我们就可以将w写成支持向量中的样本的加权组合：

$w=\sum_{i\epsilon SV}^{}\alpha _{i}y_{i}x_{i}$ ，

对于一个新的数据z，只需计算

$w^{T}z+b=\sum_{i\epsilon SV}^{}\alpha _{i}y_{i}(x_{i}^{T}z)+b$ ，

根据结果的正负来分类即可，而w不需要被明确的计算出来。在计算 $\alpha _{i}$ 时，我们可以先固定其他的参数来求它的极值，又因为约束条件的存在，我们可以再选择一个 $\alpha _{j}$ 来使它们可变，而仅仅优化这两个参数是十分快速的。通过反复的迭代，我们就能高效的求出所有α。

到此，我们可以给出一些SVM的解释。SVM中的w是一小部分样本的线性组合，这种“稀疏”的表示可以被看成KNN分类器构造的压缩。而我们的决策就是通过比较新数据z和我们支持向量中的点来进行的。

5.核函数

到目前为止，我们通过最大间隔的方式找到了一个线性分类器，但如果我们面对的样本不是线性独立的呢？

处理这个问题的核心思想是，低维空间里非线性的数据在高维空间是线性的（参考实验一，对于n次多项式f，f(x)的分布不是线性的，但升维到 $X=(x,x^{2},x^{3},...,x^{n})$ ，就可以写成 $f(X)=w^{T}X$ ，此时它是线性的了）。因此，我们可以对非线性的数据 $x_{i}$ 做一个映射 $\varphi (x_{i})$ 使它升维，就又可以采用线性分类器了。