参考:http://blog.csdn.net/ajianyingxiaoqinghan/article/details/72897399 部分图片来自于上面博客。
0 由来 在二分类问题中,我们可以计算数据代入模型后得到的结果,如果这个结果有明显的区别,这就说明模型可以把数据分开。那么,怎么表示“区别”这个词呢,拿最简单的二维问题来讲,“区别”可以是数据点分布在一条直线的两侧,而数据点代入方程后得到的结果符号是不同的,这就达到了分类的目的。 而SVM的思想也是这样,目的就是找到一个超平面,将数据点都正确地分在超平面的两侧。那么,又怎么表示这个“都正确”呢?可以这样考虑:就是让那些“很有可能不正确”的数据点彼此分开得明显一点就可以了。对于其它“不那么可能不正确”或者说“一看就很正确”的数据点,就可以不用管了。这也是SVM名称的由来,模型是由那些支持向量(Support Vector)决定的。这也是为什么SVM对outlier不敏感。
1 间隔 遵循上面的逻辑,我们去假设空间里找模型了。但是一下子出来好多个模型都符合我们的要求,怎么办?自然我们想要找到“最优”的那一个模型。那么,怎么衡量这个“最优”呢?根据【超平面】【数据点】【分开】这几个词,我们可以想到最优的模型必然是最大程度地将数据点划分开的模型,不能靠近负样本也不能靠近正样本,要不偏不倚,并且与所有Support Vector的距离尽量大才可以。这就引出了间隔的讨论。
上图中
x 0
是
x
在超平面上的投影,ω 是超平面的法向量,二者平行可以得到:
x − x 0 = γ ω ∥ ω ∥ (1.1)
两边同乘
ω T
并利用
ω T x 0 + b = 0 , ω T ω = ∥ ω ∥ 2
得到:
γ = ω T + b ∥ ω ∥ = f ( x ) ∥ ω ∥ (1.2)
当然,上式是带正负号的,如果要得到正值,即点到超平面的距离,乘上数据点的类别就好:
γ ~ = y γ (1.3)
2 最大间隔分类器 上面我们推导出了间隔的表达式,自然的,我们想让数据点离超平面越远越好。
回顾一下,在这样的模型中,我们只考虑那些支持向量就可以了,对于那些显然可以分类成功的数据点,我们顺带着讨论它们就可以。 不妨令那些“有可能分类不成功的点”,即靠近超平面的点,分布在超平面
ω T x + b = ± 1
上,这里的取值 1 只是为了方便推导,后面我们可以看到,这个值不影响最后的优化过程。 这样,支持向量到达我们要优化的超平面
ω T x + b = 0
的距离就是
1 ∥ ω ∥
,两侧的距离加起来就是
2 ∥ ω ∥
,同时,我们要求模型对正负样本要做到“不偏不倚”,对于这一条,我们加上限制条件
y ( ω T + b ) ⩾ 1
就好。于是我们得到了不等式约束优化问题:
⎧ ⎩ ⎨ ⎪ ⎪ max 2 ∥ ω ∥ s . t . y i ( ω T x i + b ) ⩾ 1 , i = 1 , 2 , . . . , m (2.1)
为了方便推导,上式可以等价地写成:
⎧ ⎩ ⎨ min 1 2 ∥ ω ∥ 2 s . t . y i ( ω T x i + b ) ⩾ 1 , i = 1 , 2 , . . . , m (2.2)
3 拉格朗日乘子法对偶问题
(2.2) 的优化目标是二次的,约束是线性的,整体是一个凸二次规划问题。有现成的优化包可以求解。但将其转化为拉格朗日对偶问题后求解更容易,也方便我们后面引入核函数。
对式 (2.2) 的每一个不等式约束条件(m个数据点共有m个不等式)设置对应的拉格朗日乘子
α i > 0
,得到原始问题 的拉格朗日函数:
L ( ω , b , α ) = 1 2 ∥ ω ∥ 2 + ∑ i = 1 m α i [ 1 − y i ( ω T x i + b ) ] (3.1)
目标是让拉格朗如函数
L ( ω , b , α )
针对
α
达到最大值。为什么能够这么写呢,我们可以这样想,哪怕有一个
y i ( ω T x i + b ) ⩾ 1
不满足,只要让对应的
α i
是正无穷就好了。所以,如果
L ( ω , b , α )
有有限的最大值,那么那些不等式条件是自然满足的。 之后,我们再让
L ( ω , b , α )
针对
ω , b
达到最小值,就可以了。 从而,我们的目标函数变成:
min ω , b max α L ( ω , b , α ) = p ∗ (3.2)
为方便求解,我们将 min 和 max 的位置交换一下:
max α min ω , b L ( ω , b , α ) = d ∗ (3.3)
可以证明,
d ∗ ⩽ p ∗
,可以通过求解
d ∗
而近似求解
p ∗
。(3.3)即为原始问题的对偶问题。 由于原始优化问题中有不等式条件,这里的对偶问题需要满足下面形式的KKT条件才能有解:
⎧ ⎩ ⎨ ⎪ ⎪ α i ⩾ 0 y i ( ω T x i + b ) − 1 ⩾ 0 α i [ y i ( ω T x i + b ) − 1 ] = 0 (3.4)
这里知道到我们到目前为止的推导是需要满足KKT条件的就好了。
下面我们看一下具体怎样求解对偶问题 (3.3) :
3.1
ω , b
的部分
我们先看一下
min ω , b
的部分。分别令
L ( ω , b , α )
对
ω , b
的导数等于0:
∂ L ( ω , b , α ) ∂ ω = ω − ∑ i = 1 m α i y i x i = 0 (3.5)
∂ L ( ω , b , α ) ∂ b = ∑ i = 1 m α i y i = 0 (3.6)
将(3.5)(3.6)代入(3.1):
L ( ω , b , α ) = 1 2 ∥ ω ∥ 2 + ∑ i = 1 m α i [ 1 − y i ( ω T x i + b ) ] = 1 2 ∥ ∥ ∥ ∑ i = 1 m α i y i x i ∥ ∥ ∥ 2 + ∑ i = 1 m α i − ω T ∑ i = 1 m α i y i x i = ∑ i = 1 m α i + 1 2 ω T ∑ i = 1 m α i y i x i − ω T ∑ i = 1 m α i y i x i = ∑ i = 1 m α i − ( ∑ i = 1 m α i y i x T i ) ( ∑ i = 1 m α i y i x i ) = ∑ i = 1 m α i − ∑ i = 1 m ∑ j = 1 m α i α j y i y j x T i x j (3.7)
问题就变为了:
⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ max α s . t . ∑ i = 1 m α i − ∑ i = 1 m ∑ j = 1 m α i α j y i y j x T i x j ∑ i = 1 m α i y i = 0 α i ⩾ 0 (3.8)
3.2
α
的部分
得到(3.8)之后怎么求解呢?不难发现这是一个二次规划问题。,但如果样本数过多,则计算量过大。SMO 是高效求解这个问题的算法代表。
我们选取两个变量
α i , α j
,(3.8)中的其它变量保持固定。得到:
α i y i + α j y j = − ∑ k ≠ i , j m α k y k = c (3.9)
可以将
α j
消掉,只保留
α i
,(3.8)就变成了关于
α i
的单变量二次规划问题,约束是
α i ⩾ 0
,有**闭式解**。这样算起来肯定快。 那么,怎样找这两个变量
α i , α j
比较好呢?第一个变量
α i
我们肯定选取那个最不满足KKT条件的
α
,第二个我们需要选让目标函数增长得最多的
α
,但每次计算太过麻烦。所以有一个启发式的方法:我们选取那个与
α i
所对应的样本间隔最大的样本所对应的
α
作为
α j
。这样与更新两个相似的样本相比,目标函数值变化更大。这里的具体推导可以参考 http://blog.csdn.net/ajianyingxiaoqinghan/article/details/73087304 。具体来说,我们可以用**预测值与真实值之差**来衡量这个“样本间的差异”,如果
α i
对应的样本预测值与真实值之差为负的,那么我们就尽量找一个差值为正的且绝对值较大的,反之我们就找一个差值为负的且绝对值较大的。在几何上可以理解为找那些暂时被分类错误的样本。 当然,如果得到的
α j
不能使函数值下降很多,那么我们还可以干脆就暴力找一个让函数值下降最多的
α j
,或者再找一个不符合KKT条件的
α j
当做第二个
α
。 求解出
α n e w i
α n e w j
之后,由KKT条件(3.4)可得,若
α n e w i > 0
,则:
y i ( ∑ i = 1 m α i y i x i + b ) = 1 (3.10)
就可以对 b 进行更新,更新之后将预测值与真实值之差的列表更新一遍,以供下次循环使用。 当然,如果
α n e w j > 0
,也可以计算出相应的 b 值,如果两个 b 值相等就取该值。 如果不相等就取平均值。 还有一种做法就是,对目前模型中所有的
α > 0
,都计算一个 b ,取平均值。 等到算法停止,b 也计算好了,
ω
由(3.5)式得:
ω = ∑ i = 1 m α i y i x i (3.11)
这样,原始优化问题就解完了。
4 核函数
在前面的讨论中,我们假设数据集是线性可分的。但是现实任务中,可能并不存在一个超平面将数据集完美得分开。 这种情况下,我们可以通过将原始空间映射到一个高维空间,如果高维空间中数据集是线性可分的,那么问题就可以解决了。 这样,超平面变为:
ω T ϕ ( x ) + b = 0 (4.1)
经过像前面的一顿推导之后我们得到:
⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ max α s . t . ∑ i = 1 m α i − ∑ i = 1 m ∑ j = 1 m α i α j y i y j ϕ ( x i ) T ϕ ( x j ) ∑ i = 1 m α i y i = 0 α i ⩾ 0 (4.2)
可见,需要计算
ϕ ( x i ) T ϕ ( x j )
,但很多时候,我们并不知道高维空间是什么样子,也就是我们根本连
ϕ ( x )
是什么样子都不知道,更不要说如果高维空间维数很大,
ϕ ( x i ) T ϕ ( x j )
计算十分困难。 其实
ϕ ( x i ) T ϕ ( x j )
只是一个实数,如果将它们看成一个整体,它也是关于
x i , x j
的一个函数,所以,
如果存在那么一个神奇的函数
κ ( x i , x j ) = ϕ ( x i ) T ϕ ( x j )
,我们就可以在低维空间计算出高维空间的点积结果。这个函数
κ ( x i , x j )
就叫做**核函数**。 常用的核函数有:
名称 表达式 参数 线型核
κ ( x i , x j ) = x T i x j
多项式核
κ ( x i , x j ) = ( x T i x j ) d
d ⩾ 1
为多项式次数高斯核
κ ( x i , x j ) = exp ( − ∥ x i − x j ∥ 2 2 σ 2 )
σ > 0
为高斯核的带宽拉普拉斯核
κ ( x i , x j ) = exp ( − ∥ x i − x j ∥ σ )
σ > 0
Sigmoid核
κ ( x i , x j ) = tanh ( β x T i x j + θ )
β > 0 , θ < 0 tanh
为双曲正切函数
5 松弛变量 现实任务中,可能用上核函数还是不能线性可分。或者即使找到线性可分的超平面,也不能判断是不是过拟合。因此,我们将标准放宽一些,允许SVM模型在某些数据点上“出错”,为此,要引入“软间隔”:
前面的推导我们要求
y i ( ω T x i + b ) ⩾ 1
,现在,我们将条件放宽:
y i ( ω T x i + b ) ⩾ 1 − ξ i , i = 1 , 2 , . . . , m (5.1)
但同时,我们希望这个
ξ i
尽可能小一点,越小不就越接近前面推导的线性可分么。在目标函数中体现这一点,就得到新的优化问题(对比2.2式):
⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ min s . t . 1 2 ∥ ω ∥ 2 + C ∑ i = 1 m ξ i y i ( ω T x i + b ) ⩾ 1 , i = 1 , 2 , . . . , m ξ i > 0 (5.2)
C是衡量我们“放宽力度”的常数。 与前面的推导类似,我们得到新的拉格朗日函数:
L ( ω , b , ξ , α , μ ) = 1 2 ∥ ω ∥ 2 + C ∑ i = 1 m ξ i + ∑ i = 1 m α i [ 1 − ξ i − y i ( ω T x i + b ) ] − ∑ i = 1 m μ i ξ i (5.3)
分别令
L ( ω , b , ξ , α , μ )
对
ω , b , ξ i
的导数等于0:
∂ L ( ω , b , ξ , α , μ ) ∂ ω = ω − ∑ i = 1 m α i y i x i = 0 (5.4)
∂ L ( ω , b , ξ , α , μ ) ∂ b = ∑ i = 1 m α i y i = 0 (5.5)
∂ L ( ω , b , ξ , α , μ ) ∂ ξ i = C − α i − μ i = 0 (5.6)
将(5.4)(5.5)(5.6)代入(5.3)得到对偶问题:
⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ max α s . t . ∑ i = 1 m α i − ∑ i = 1 m ∑ j = 1 m α i α j y i y j x T i x j ∑ i = 1 m α i y i = 0 0 ⩽ α i ⩽ C (5.7)
KKT条件:
⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ α i ⩾ 0 , μ i ⩾ 0 y i ( ω T x i + b ) − 1 + ξ i ⩾ 0 α i [ y i ( ω T x i + b ) − 1 + ξ i ] = 0 ξ i ⩾ 0 , μ i ξ i = 0 (5.8)
根据这些条件,用SMO算法求解就可以了,只是在求解相关变量的时候注意有新的范围限制。
从另一个角度观察(5.2),我们可以把
1 2 ∥ ω ∥ 2
看成是一个正则化项 ,也就是结构风险,描述了我们希望模型具有某些性质,也就是引入了先验知识。
C ∑ m i = 1 ξ i
项是经验风险,用于描述模型与训练集的契合程度,可以把
ξ i
写成一个更一般的形式:
l ( f ( x i ) , y i )
,上面推导的模型我们可以认为
l
是 hinge损失 :l ( f ( x i ) , y i ) = m a x ( 0 , 1 − y i f ( x i ) ) 。 从这里也可以看出,引入先验知识,可以减小模型求解时的搜索空间,因为我们给了它一个目标:间隔最大化。