SVM 实践步骤

主要公式步骤:

原距离问题的函数:

  1.将SVM的距离问题转化为拉格朗日函数:

    

  2.原函数问题化成如下问题:

    

     

  3.对各非拉格朗日参数求偏导来求min值:

    

  4.将上面 令各偏导等于0 的结果带回 拉格朗日函数 消去非拉格朗日参数(w,b,£)

    结果为:

    步骤:

    

  5.用SMO算法求α:

    KKT条件:

      

    将拉格朗日函数转化为下面函数:

      

    根据 α1y1+α2y2 = k(常数),可以将他们(α1,α2)替换成一个变量,且有一个范围:

    

      对于左边:      

       

      对于右边:

      

      所以最小值区域:

      

      

      

      

    原式:

      

    简化为:

       

      将α1转化为α2

      代入上面:

      

      求导:

      

      

                    

  6.将α代入

    

    求得w,μ

  7.用0<α<C的样本(支持向量)求出b

    

 变量选择:

第一个变量: 

SMO算法称选择第一个变量为外层循环,这个变量需要选择在训练集中违反KKT条件最严重的样本点。对于每个样本点,要满足的KKT条件: 

                      

一般来说,我们首先选择违反

  这个条件的点。

如果这些支持向量都满足KKT条件,再选择违反

的点。

 第二个变量的选择

 

 重要参数总结图:

  

 

 

 

 

  

 

转载于:https://www.cnblogs.com/cxhzy/p/10731667.html

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Structural SVM(结构化支持向量机)是一种用于结构化数据的机器学习算法,在处理序列标注、解析树、图像分割等任务时表现出色。使用Structural SVM进行模型训练可以有效地考虑数据的结构化特征,使得模型更加准确和泛化能力更强。 编写Structural SVM代码需要先导入相应的机器学习库,比如Python中的scikit-learn或者LibSVM。然后,需要定义模型的结构化特征和约束条件,比如在序列标注任务中,可以定义标签序列的转移约束。接着,需要定义模型的损失函数,通常是结构化数据之间的差异度。最后,通过优化算法(比如梯度下降法)来训练模型,使得模型的预测能够最大程度地符合结构化数据的特征和约束条件。 Structural SVM代码的一般框架包括模型的定义、特征提取、训练和预测等步骤。在模型定义中,需要考虑数据的结构化特征和约束条件,比如在解析树任务中需要考虑树的拓扑结构和节点的特征。在特征提取中,需要将数据转换成模型可接受的输入形式,通常是向量表示。在训练中,需要根据训练数据和损失函数来调整模型的参数,使得模型能够更好地拟合数据。在预测中,可以利用训练好的模型对新的数据进行结构化预测。 总之,编写Structural SVM代码需要仔细考虑数据的结构化特征和约束条件,合理选择损失函数和优化算法,以及有效地实现模型的训练和预测过程。通过深入理解和实践,可以更好地掌握Structural SVM算法的原理和应用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值