单纯形法只有两个约束条件_第七章 支持向量机(第4节 序列最小最优化算法 第1小节 两个变量二次规划的求解方法)...

本文介绍了SMO算法用于解决非线性支持向量机的对偶问题,通过解析方法求解两个变量的二次规划。详细阐述了在约束条件下如何分析和求解极小值,以及涉及的定理和证明过程。
摘要由CSDN通过智能技术生成

四、序列最小最优化算法

如上篇所述,SMO算法的目的是求非线性支持向量机的对偶问题:

f3460e67aae428cf959c8b75dd586c15.png

的解:

7fbf47969342369ebf722f7bd6f2c2d6.png

SMO算法是一种启发式算法基本思路为:假如解中所有变量都满足最优化问题的KKT条件,那么这时的解就是最优化问题的解,因为KKT条件是该最优化问题的充分必要条件。否则,选择两个变量(其中一个变量是违反KKT条件最严重的那一个,另一个变量由约束条件自动确定),固定其他变量(即把

中的两个元素看做是变量,其他的看做是常量),
针对这两个变量构建一个二次规划问题

(为什么一次优化两个变量而不是一个呢?很简单,如果选择一个变量,其他固定为常量,那么由于约束条件

的存在,所以得到这个变量也只有一个取值,这样就没意义了。)

这个二次规划问题关于两个变量的解,肯定是向原始二次规划问题的解靠近的。SMO算法就是将原始问题不断分解为子问题并对子问题求解,进而达到求解原问题的目的。而且分解成子问题后有一个很大的好处,就是可以通过解析的方式来求解,大大提高整体计算的速度。

由于约束条件

,知,子问题的两个变量中
只有一个是自由变量。例如,假设我们选择
作为两个变量,其他的
固定为常量,那么由这个约束条件可知:

即,如果

确定,那么
也随之确定。所以子问题中
同时更新两个变量。

整个SMO算法包括两个部分:求解两个变量二次规划的解析方法和选择变量的启发方法

我们分别来介绍:

1.两个变量二次规划的求解方法

不失一般性,假设两个变量

,其他元素
是固定的
常量。于是 SMO的最优化问题的子问题可以写成:

(常数)

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