支持向量机的原理

一、什么是支持向量机

  支持向量机(support vector machine，简称SVM)是一种基于统计学习理论的新型学习机，是由前苏联教授Vapnik最早提出的。与传统的学习方法不同，支持向量机是结构风险最小化方法的近似实现。这个归纳原理是基于这样的事实，学习机器在测试数据上的误差率(即泛化误差率)以训练误差率和一个依赖于Vc维数(Vapnik-Chervonenkis dimension)的项的和为界；在可分模式情况下，支持向量机对于前一项的值为零，并且使第二项最小化。因此，尽管支持向量机不利用问题的领域知识，在模式分类问题上，仍能提供好的泛化性能，这个属性是支持向量机特有的。其实现的是如下的思想：通过某种事先选择的非线性映射将输入向量x映射到一个高维特征空间z，在这个空间中构造最优分类超平面，从而使正例和反例样本之间的分离界限达到最大。从概念上说，支持向量是那些离决策平面最近的数据点，它们决定了最优分类超平面的位置。

二、支持向量机的原理

 超平面和最近的数据点之间的间隔被称为分离边缘，用P表示。支持向量机的目标是找到一个特殊的超平面，对于这个超平面分离边缘P最大。在这个条件下，决策曲面称为最优超平面。下图是二维输入空间中最优超平面的几何结构。

                        

基本上，支持向量机的思想建立在两个数学运算上，概述如下
 1) 输入向量到高维特征空间的非线性映射，特征空间对输入和输出都是隐藏的
 2)  构造一个最优超平面用于分离在上一步中发现的特征。

三、支持向量机的算法

 比较经典的如

1）Vapnik提出的Chunking方法；其出发点是删除矩阵中对应Lagrange乘数为零的行和列将不会影响最终结果，然而，在训练集的支持向量数很大的时候，Chunking算法仍然无法将矩阵放入内存中。

2）Qsuna提出的Qsuna算法；该算法存在效率问题，因为在每一步中，进行一次QP问题的最优化只能使一个样本符合Kuhn-Tucker条件。

3）Plat提出的序贯最小优化方法(sequential minimal optimization，简称SMO)；将一个大型的QP问题分解为一系列最小规模的QP子问题，即仅具有两个Lagrange乘数的QP问题，从而使得原问题可以通过分析的方法加以解决，避免了在内循环中使用数值算法进行QP最优化。该算法在训练线性SVM时，可以获得非常好的性能。

四、支持向量机的几种内积核函数

   1）多项式学习机

  2）径向基函数网络

  3）两层感知器