1. 最小二乘支持向量机的推导
与支持向量机(Support Vector Machines, SVM)不同,Suykens 等提出的最小二乘支持向量机(Least Squared Support Vector Machines, LSSVM)在 SVM 之上使用做出了 3 项改进:
使用误差项
代替了松弛变量
使用等式约束代替了不等式约束
使用二次损失函数
代替了 hinge 损失
得到 LSSVM 的目标函数为--式 (1) :
其中
为投影到希尔伯特空间的样本;
和
为分类器参数,分别是分类超平面斜率与偏移量;
为误差项;
为正则项参数,控制对误差项的惩罚程度。
与 SVM 的解法相似,可使用拉格朗日乘子法来求解两个分类器参数. 引入拉格朗日乘子
得到其拉格朗日函数为 -- 式 (2):