一. SVC 分类模型
对于SVM分类模型,即SVC模型,目标函数和限制条件为:
{
min
1
2
∥
w
∥
2
+
C
∑
i
=
1
m
ξ
i
s
.
t
:
y
(
i
)
(
w
T
x
(
i
)
+
b
)
≥
1
−
ξ
i
,
i
=
1
,
2
,
.
.
.
,
m
\left\{\begin{matrix}\min\frac{1}{2}\left \| w \right \|^{2}+C\sum_{i=1}^{m} \xi _{i} \\ \\s.t: y^{(i)} (w^{T}x^{(i)}+b)\ge 1-\xi_{i} ,i=1,2,...,m \end{matrix}\right.
⎩
⎨
⎧min21∥w∥2+C∑i=1mξis.t:y(i)(wTx(i)+b)≥1−ξi,i=1,2,...,m
ξ
i
≥
0
,
i
=
1
,
2
,
.
.
.
,
m
\xi_{i}\ge 0 ,i=1,2,...,m
ξi≥0,i=1,2,...,m
通过“街宽”最大,以确保所有样本点都在“街道”以外
即w最小
二. SVR 回归模型
对于SVM回归模型,即SVR模型:我们希望能够寻找一条线性模型y=wx+b来尽可能拟合所有样本点;也就是说,我们需要样本点位于“街道”内部
这样,我们通过定义常量 ϵ > 0 \epsilon >0 ϵ>0,就可以得到对于任意一点 ( x , y ) (x,y) (x,y),如果 ∣ y i − w x − b ∣ ≤ ϵ |y^{{i}}-wx-b|\le \epsilon ∣yi−wx−b∣≤ϵ,模型无损失
因此,目标函数和限制条件为:
{
min
1
2
∥
w
∥
2
s
.
t
:
∣
y
(
i
)
−
w
T
x
(
i
)
−
b
∣
≤
ϵ
,
i
=
1
,
2
,
.
.
.
,
m
\left\{\begin{matrix}\min\frac{1}{2}\left \| w \right \|^{2} \\ \\s.t: |y^{(i)} -w^{T}x^{(i)}-b|\le \epsilon ,i=1,2,...,m \end{matrix}\right.
⎩
⎨
⎧min21∥w∥2s.t:∣y(i)−wTx(i)−b∣≤ϵ,i=1,2,...,m
加入松弛因子后,式子变为:
{
min
1
2
∥
w
∥
2
+
C
∑
i
=
1
m
(
ξ
i
∧
+
ξ
i
∨
)
s
.
t
:
−
ε
−
ξ
i
∨
≤
y
(
i
)
−
w
T
x
(
i
)
−
b
≤
ϵ
+
x
i
i
∧
,
i
=
1
,
2
,
.
.
.
,
m
\left\{\begin{matrix}\min\frac{1}{2}\left \| w \right \|^{2}+C\sum_{i=1}^{m}(\xi _{i}^{\wedge}+ \xi _{i}^{\vee } ) \\ \\s.t: -\varepsilon -\xi _{i}^{\vee }\le y^{(i)} -w^{T}x^{(i)}-b\le \epsilon+xi _{i}^{\wedge} ,i=1,2,...,m \end{matrix}\right.
⎩
⎨
⎧min21∥w∥2+C∑i=1m(ξi∧+ξi∨)s.t:−ε−ξi∨≤y(i)−wTx(i)−b≤ϵ+xii∧,i=1,2,...,m
x
i
i
∧
≥
0
,
ξ
i
∨
≥
0
,
i
=
1
,
2
,
3
,
.
.
.
m
xi _{i}^{\wedge} \ge0,\xi _{i}^{\vee }\ge0,i=1,2,3,...m
xii∧≥0,ξi∨≥0,i=1,2,3,...m
注意:
x
i
i
∧
,
ξ
i
∨
xi _{i}^{\wedge},\xi _{i}^{\vee }
xii∧,ξi∨不能同时大于0
所有点尽量靠近街中线
允许异常样本点的存在,也允许个别点位于“街道”外侧
感谢阅读🌼
如果喜欢这篇文章,记得点赞👍和转发🔄哦!
有任何想法或问题,欢迎留言交流💬,我们下次见!
本文相关代码存放位置
【SVM算法 分类代码实现】
祝愉快🌟!