SVM-1

1. 背景：

1.1 最早是由 Vladimir N. Vapnik 和 Alexey Ya. Chervonenkis 在1963年提出

1.2 目前的版本(soft margin)是由Corinna Cortes 和 Vapnik在1993年提出，并在1995年发表

1.3 深度学习（2012）出现之前，SVM被认为机器学习中近十几年来最成功，表现最好的算法

2. 机器学习的一般框架：

训练集 => 提取特征向量 => 结合一定的算法（分类器：比如决策树，KNN）=>得到结果

3. 介绍：

3.1 例子：

两类？哪条线最好？

3.2 SVM寻找区分两类的超平面（hyper plane), 使边际(margin)最大

边际（margin）最大：超平面（hyper plane）(图示中那条线)到两边最近的点之间的距离之和最大。
为什么margin大好：当我们给一些新的点的时候，它区分犯错的几率比较小。（基本的动机）
总共可以有多少个可能的超平面？无数条
如何选取使边际(margin)最大的超平面 (Max Margin Hyperplane)？
超平面到一侧最近点的距离等于到另一侧最近点的距离，两侧的两个超平面平行

3.3 线性可区分(linear separable) 和 线性不可区分 （linear inseparable)

尽可能把两类点区分开，但是还是有一个红叉在蓝色区域内，线型不可分。

在一个圆圈内，你无论从哪个放心画一条线，都是无法将红点和蓝点区分，线型不可分。

还是有一个灰色点导致线型不可区分。
这儿先只考虑简单的线型可区分的情况。

4. 定义与公式建立

超平面可以定义为：

W: weight vectot, （W和X 的维度是对应的 W : 1乘以n , X : n乘以1）

n 是特征值的个数
X: 训练实例
b: bias（偏向）

4.1 假设2维特征向量：X = (x1, X2)

把 b 想象为额外的 wight
超平面方程变为：

所有超平面右上方的点满足：

所有超平面左下方的点满足：

调整weight，使超平面定义边际的两边：（yi 就是分别对应两平行线）

综合（H2两边同乘以-1）以上两式，得到： （1）

所有坐落在边际的两边的的超平面上的被称作”支持向量(support vectors)"
分界的超平面和H1或H2上任意一点的距离为 （一边距离）

(i.e.: 其中||W||是向量的范数(norm))

所以，最大边际距离为：（两边之间距离）

5. 求解

5.1 SVM如何找出最大边际的超平面呢(MMH)？

利用一些数学推倒，以上公式 （1）可变为有限制的凸优化问题(convex quadratic optimization)
利用 Karush-Kuhn-Tucker (KKT)条件和拉格朗日公式，可以推出MMH可以被表示为以下“决定边界 (decision boundary)”

支持向量点，+1 或着 -1

5.2 对于任何测试（要归类的）实例，带入以上公式，得出的符号是正还是负决定。

证明在超平面的某一侧。

6. 例子：