支持向量机（SVM）学习笔记

最近在学习定位算法时有涉及到利用svm方法来实现定位的，所以就把近来学习到的一些知识做一些摘抄和总结。
详细地可以从前辈的博客看到：这里写链接内容
http://www.eefocus.com/xuqiong89/blog/13-06/295127_b24ea.html
来理解学习。
一、首先要明确一些基本概念：
1、VC维：定义是对于一个函数指标集若存在h个样本被函数按所有可能的2^h种形式打散，则h就是该指标函数集的VC维。可以理解为是对于一个分类函数的复杂度的一个度量VC维越大分类函数越复杂。
##2、衡量工具——风险：使用数据样本上的分类与真实结果的误差，但这只是经验误差，他只对于该样本有较好的结果所以引入了置信风险，合起来使得结构风险最小：
R（w）<=Remp（w）（经验风险）+Φ （n/h）(置信风险)
置信风险随样本数增多，置信风险（误差）越小；VC维越大，越难推广，风险变大。
#二、问题本质：在n维空间中寻找一个分类平面——超平面（Hyper plane）能够将样本完全分开。
【目标函数g（x）=wx+b实际上就是所求的分类面。在训练阶段我们的目标是利用提供的样本训练求得参数w和b；在分类定位阶段带入xi用g（xi）>0 or<0来分类定位】。
最终把训练阶段归结为一个二次规划问题（针对于二维情况而言）：

距离超平面最近的样本点距离最大（分的越开）δ=1/11w11反比关系。

通过以上讨论推出了分类问题的基本结论。然而对于非线性和样本不可分离这两个问题呢？则需要对于它进行一个拓展。
三、对于样本无法完全正确分离
引入了松弛变量ζ和惩罚因子C：

这个式子有这么几点要注意：
一是并非所有的样本点都有一个松弛变量与其对应。实际上只有“离群点”才有，所有没离群的点松弛变量都等于0在迭代求w的时候如何样本点非离群点，即分类正确，那么就设它的松弛变量为0了。
二是松弛变量的值实际上标示出了对应的点到底离群有多远，值越大，点就越远。
三是惩罚因子C决定了你有多重视离群点带来的损失，显然当所有离群点的松弛变量的和一定时，你定的C越大，对目标函数的损失也越大，此时就暗示着你非常不愿意放弃这些离群点。
四是惩罚因子C不是一个变量，整个优化问题在解的时候，C是一个你必须事先指定的值，指定这个值以后，解一下，得到一个分类器，然后用测试数据看看结果怎么样优化问题在解的过程中，C一直是定值，要记住。
四、对于问题的非线性性——引入了核函数
如果有这样的函数，那么当给了一个低维空间的输入x以后，
g(x)=K(w,x)+b
f(x’)=(w,x)+b
这两个函数的计算结果就完全一样，我们也就用不着费力找那个映射关系，直接拿低维的输入往g(x)里面代就可以了。而的确存在着许多的核函数可以实现。也就是说在二维空间的一条双曲线是非线性的，那么当它映射到四维空间就成了一个线性问题【好神奇有木有】。
以上便是我的学习心得，如有涉及版权问题请联系本人。