机器学习（六）~支持向量机模型

1. 支持向量机模型

学习策略： 间隔最大化
学习算法： 凸二次规划
适用条件：

• 当训练数据线性可分：线性可分支持向量机（硬间隔最大化）
• 当训练数据近似线性可分：线性支持向量机（软间隔最大化）
• 当训练集线性不可分时：非线性支持向量机（软间隔最大化+核函数）

几何间隔：

SVM与感知机区别： 通过间隔最大化使得解唯一
核函数： 将输入从输入空间映射到特征空间得到的特征向量之间的内积

2. 线性可分支持向量机

2.1 原始问题

**前提条件：**训练集线性可分
SVM基本型：

2.2 对偶问题及求解

对偶问题：

此时目标函数求：


从而得到：

αi*>0时，yi(w·xi+b)-1=0, (xi,yi)为支持向量,只有支持向量会影响最终结果

2.3 线性可分支持向量机算法

3. 线性支持向量机

3.1 软间隔最大化

软间隔最大化： 当训练集近似线性可分时，允许一些特异点被误分，防止过拟合

• 此时w的解是唯一的，b可能不唯一
• 线性支持向量机包括线性可分支持向量机

3.2 对偶问题及求解

对偶问题为：

• 仅ɑ约束与线性可分支持向量机不同

3.3 线性支持向量机算法

• ɑ*>0对应支持向量，分多种情况：1) 若ɑi*<C,则§i=0，支持向量xi恰好落在间隔边界上；2) 若ɑi*=C，0<§i<1,则xi在间隔边界与分离超平面之间；3) 若ɑi*=C，§i=1,则xi在分离超平面上；4) 若ɑi*=C，§i>1,则xi在分离超平面误分类一侧

4. 非线性支持向量机

4.1 核函数

当训练集线性不可分时，可将x映射到高维空间，使得近似线性可分，即将xi·xj转换为φ(xi)·φ(xj)，由于φ(xi)·φ(xj)难求，采用核函数К(xi,xj)替代，从而将非线性问题转化为线性问题

核函数充要条件：
核函数是指正定核函数，正定核的充要条件是K(x,z)对应的Gram矩阵是半正定矩阵

常用核函数：

• 1.多项式核函数
• 2.高斯核函数

4.2 非线性支持向量机算法

存在问题： 当训练样本大时，用以往优化算法解决凸二次规划问题很低效
解决办法： SMO(序列最小最优化算法)

4.3 SMO(序列最小最优化算法)

SMO关键过程：

• 1.变量选择（选择两个变量，固定其他变量）
• 2.两个变量的二次规划求解