支持向量机原理（三）线性不可分支持向量机与核函数

支持向量机原理(一) 线性支持向量机

支持向量机原理（二）线性支持向量机的软间隔最大化模型

支持向量机原理（三）线性不可分支持向量机与核函数

 

支持向量机原理(一) 线性支持向量机、支持向量机原理（二）线性支持向量机的软间隔最大化模型，讲的是SVM的硬间隔最大化和软间隔最大化算，但他们对完全线性不可分没办法。该博客讲述核函数在SVM中处理线性不可分数据的作用。

 

1. 多项式回归

在线性回归原理中，提到将多项式回归转化为线性回归。

比如：

令：

得到：

此时将二元多项式回归转化为五元线性回归。通过二元样本特征得到五元样本特征（x₁,x₂,x₃,x₄,x₅），即（）

这给我们启发，将低维线性不可分映射到高维，变为线性可分。

 

2. 核函数

线性可分SVM的优化目标函数：

式子中低维特征仅以内积 x_i • x_j 形式出现，现在定义一个低维特征空间到高维特征空间的映射Ø（比如上一节的2维到5维），得到SVM的优化目标函数：

可以看出，和线性可分SVM的优化目标函数的区别：将内积 x_i • x_j 替换为 Ø(x_i)•Ø(x_j)。

这种方法看起来解决了线性不可分SVM的问题了。可以将2维映射到5维，3维映射到19维。但低纬如果是100,1000，此时计算量太大，这种方法不合适。

核函数登场

假设Ø是一个从低维的输入空间χ（欧式空间的子集或离散集合）到高维的希尔伯特空间的 Η 映射。如果存在函数 K(x, z) ，对任意 x, z ∈ χ，都有：

此时称 K(x, z) 为核函数。

核函数将特征从低维映射高维，但核函数计算是在低维上，将实质上的分类效果（利用了内积）表现在高维上。

 

3. 核函数的介绍

scikit-learn默认的几个核函数：

 

3.1 线性核函数

线性核函数（Linear Kernel）就是线性可分SVM，表达式：

也就是说，线性可分SVM可以和线性不可分SVM归为一类，区别在于线性可分SVM用的是线性核函数。

 

3.2 多项式核函数

多项式核函数（Polynomial Kernel）表达式：

 

其中，γ,r,d在调参时自己定义。

 

3.3 高斯核函数

高斯核函数（Gaussian Kernel），也称径向基核函数（Radial Basis Function， RBF），是非线性分类SVM最主流的核函数。libsvm默认的核函数。表达式：

 

其中，γ＞0，调参时自己定义。

 

3.4 Sigmoid核函数

Sigmoid核函数（Sigmoid Kernel）表达式：

 

其中，γ，r调参时自己定义。

 

4. 分类SVM算法小结

此时不再区分是否线性可分。

输入：m个样本，其中 x 为 n 维特征向量。γ为二元输出，值为1或-1。

输出：分离超平面的参数 ω^*，b^*和分类决策树函数。

算法过程：

（1）、选择适当的核函数 K(x, z) 和惩罚系数 C＞0，构造约束优化问题

（2）、用SMO算法求出上式最小时对应的α向量的α^*向量。

 

 

来自：刘建平

转载于:https://www.cnblogs.com/keye/p/11193558.html