一、LR和SVM原理
1.逻辑回归(Logistic Regression)
逻辑回归是一个非线性模型(sigmoid函数,又称逻辑回归函数),但是它本质上又是一个线性回归模型,因为除去sigmoid映射函数关系,其他的步骤,算法都是线性回归的。可以说,逻辑回归,都是以线性回归为理论支持的。
只不过,线性模型,无法做到sigmoid的非线性形式,sigmoid可以轻松处理0/1分类问题。
逻辑斯蒂回归的定义:
负对数函数作为损失函数:
求梯度:
最后再使用梯度下降法求解参数
注:多分类逻辑斯蒂回归模型 TODO: 如 Softmax
2.支持向量机(SVM)
支持向量机简述
- 支持向量机(Support Vector Machines, SVM)是一种二分类模型。它的基本模型是定义在特征空间上的间隔最大的线性分类器,间隔最大使它有别于感知机;支持向量机还包括核技巧,这使其成为实质上的非线性分类器。
- SVM 的学习策略就是间隔最大化,可形式化为一个求解凸二次规划的问题,也等价于正则化的合页损失函数的最小化问题。
- SVM 的最优化算法是求解凸二次规划的最优化算法。
SVM 标准问题的推导
最大化几何间隔
函数间隔γ的取值不会影响最终的超平面(w,b):取γ=1;又最大化 1/||w||
等价于最小化1/2*||w||^2,于是有为什么令γ^=1?比例改变(ω,b),超平面不会改变,但函数间隔γ^会成比例改变,因此可以通过等比例改变(ω,b)使函数间隔γ^=1
构建拉格朗日函数
标准问题是求极小极大问题
其对偶问题为