Chapter 6
6.1 间隔与支持向量
在样本空间中,划分超平面可通过如下线性方程来描述:
其中w = (w1;w2;...;wd)为法向量,决定了超平面的方向;b为位移项,决定了超平面与原点之间的距离。
样本空间中任意点x到超平面(w,b)的距离可写为
假设超平面(w,b)能将训练样本正确分类,即对于:
支持向量(support vector):
两个异类支持向量到超平面的距离之和为
它也被称为间隔(margin)。
6.2 对偶问题
- 拉格朗日函数:
- 对偶问题:
- KKT条件:
- 支持向量机的一个重要性质:训练完成后,大部分的训练样本都不需保留,最终模型仅与支持向量有关。
6.3 软间隔与正则化
- 软间隔:允许某项样本不满足约束,在最大化间隔的同时,不满足约束的样本应该尽可能少
- 目标函数:
- 常用的软间隔支持向量机:
- 软间隔支持向量机的对偶问题:
- KKT条件:
- 软间隔支持向量机的最终模型仅与支持向量有关,即通过采用hinge损失函数仍保持了稀疏性。
- 正则化:
6.4 支持向量回归(SVR)
- SVR目标函数:
- SVR对偶问题:
- KKT条件:
- 解:
条件: