支持向量机——Large Margin Classifier

支持向量机的目标是

\[\underbrace {\min }_\theta \left\{ {C\left[ {\sum\limits_{i = 1}^m {{y^{\left( i \right)}}{\mathop{\rm Cos}\nolimits} {t_1}\left( {{\theta ^T}{x^{\left( i \right)}}} \right) + \left( {1 - {y^{\left( i \right)}}} \right){\mathop{\rm Cos}\nolimits} {t_0}\left( {{\theta ^T}{x^{\left( i \right)}}} \right)} } \right] + \frac{1}{2}\sum\limits_{j = 1}^n {\theta _j^2} } \right\}\]

下图分别是Cost₁(z)和Cost₀(z)的示意图

如果y=1，我们想要θ^Tx≥1（而不仅仅是θ^Tx≥0）

如果y=0，我们想要θ^Tx≤-1（而不仅仅是θ^Tx<0）

---

接下来考虑一种情况，当把式子中的C设置的非常大时

\[\underbrace {\min }_\theta \left\{ {C\left[ {\sum\limits_{i = 1}^m {{y^{\left( i \right)}}{\mathop{\rm Cos}\nolimits} {t_1}\left( {{\theta ^T}{x^{\left( i \right)}}} \right) + \left( {1 - {y^{\left( i \right)}}} \right){\mathop{\rm Cos}\nolimits} {t_0}\left( {{\theta ^T}{x^{\left( i \right)}}} \right)} } \right] + \frac{1}{2}\sum\limits_{j = 1}^n {\theta _j^2} } \right\}\]

支持向量机为达到最小化的目的会试图将式子的第一部分（除了C）变得很小。

当y⁽ⁱ⁾=1时，得到的θ会使得θ^Tx≥1

当y⁽ⁱ⁾=0时，得到的θ会使得θ^Tx<-1

这样就会得到一个“比较有意思”的“decision boundary”。对于如下分类问题

算法可以得到“蓝线”和“橙线”的分界线，也可以得到“黑色”分界线，支持向量机会得到黑色的线。

如果两条黑色虚线代表不同类的边界的话，支持向量机会得到距离两条虚线尽量远的一条直线。

---

需要注意的点

对于下面的分类问题，正常情况下应该得到蓝色的直线。

但是，当C非常大时，支持向量机会得到黄色的直线，因为它会得到距离两个类尽量远的直线。

如果取得C适当，支持向量机仍然会得到蓝色的先，即使出现非线性可分的情况（右侧红五角星）。

 

转载于:https://www.cnblogs.com/qkloveslife/p/9897986.html