[SVM系列之二]线性分类

在上一节中，我们对支持向量机（SVM）有了一个大概的印象，当然，这还远远不够。在深入了解之前，在本节中我们将涉及分类问题。分类的目的是学会一个分类函数或分类模型（或者叫做分类器），该模型能将数据库中的数据项映射到给定类别中的某一个，从而可以用于预测未知类别。分类在机器学习、数据挖掘等领域中得到广泛的应用，可以用来解决各种实际应用问题，因此它的重要性不言而喻。

支持向量机（SVM）算法也是分类方法的一种。

线性二分类模型

分类标准

对于两类分类问题，将数据点用 $x$ 来表示，这是一个 $n$ 维向量，$w^T$ 上标中的“$T$”代表转置，而类别用 $y$ 来表示，可以取 $1$ 或者 $–1$，分别代表两个不同的类。一个线性分类器就是要在 $n$ 维的数据空间中找到一个超平面，其方程可以表示为：

$$w^Tx+b=0$$
这个1或–1的分类标准起源于逻辑回归，下面进行介绍。

逻辑回归

逻辑回归（Logistic Regression）的目的是从特征学习出一个 $0/1$ 分类模型，而这个模型是将特征的线性组合作为自变量，由于自变量的取值范围是负无穷到正无穷。因此，使用逻辑函数（或称作Sigmoid函数）将自变量映射到 $(0, 1)$ 上，映射后的值被认为是属于 $y = 1$ 的概率。形式化表示就是：假设函数

$$h_\theta(x)=g(\theta^Tx) \tag{1.1}$$

其中 $x$ 是 $n$ 维特征向量，函数 $g$ 就是逻辑函数。对于一元变量的情形，$g(z) = \frac {1} {1+e^{-z}}$ 的图像为：

由上图可以看出，函数$g$将$(-\infty, +\infty)$映射到了 $(0, 1)$，式 $(1.1)$ 可作为 $x$ 对应 $y=1$ 的概率：

$$P\{y=1 | x; \theta \} = h_\theta(x) \tag{1.2}$$

$$P\{y=0 | x; \theta \} = 1-h_\theta(x) \tag{1.3}$$

如果要判别一个数据点 $x$ 属于哪个类时，只需求 $h_\theta(x)$，若大于 $0.5$ 就是 $y = 1$ 的类，反之属于 $y = 0$ 类，也即自变量 $\theta^Tx$ 若大于 $0$ 就是 $y = 1$ 的类，否则属于 $y = 0$ 类。

总结：逻辑回归就是要学习得到 $\theta$，使得正例的特征远大于 $0$，负例的特征远小于 $0$，强调在全部训练实例上达到这个目标。

扩展：分类与回归的区别是什么？
答：区别在于输出变量的类型。
定量输出称为回归，或者说是连续变量预测；
定性输出称为分类，或者说是离散变量预测。
*举个例子：
预测明天的气温是多少度，这是一个回归任务；
预测明天是阴、晴还是雨，就是一个分类任务。*

形式化表示

我们采用结果标签 $y = −1$ 和 $y = 1$，分别替换在逻辑回归中使用的$y = 0$ 和 $y = 1$。同时将 $\theta$ 替换成 $w$ 和 $b$。以前的 $\theta^Tx = \theta_0 + \theta_1x_1 + \theta_2x_2 + \ldots + \theta_nx_n$（其中认为 $x_0 = 1$）。现在我们替换 $\theta_0$ 为 $b$，替换后面的 $\theta_1x_1 + \theta_2x_2 + \ldots + \theta_nx_n$ 为 $w_1x_1 + w_2x_2 + \ldots + w_nx_n$（即 $w^Tx$）。这样，我们让 $\theta^Tx = w^Tx + b$，进一步 $h_\theta(x) = g(\theta^Tx) = g(w^Tx + b)$。也就是说除了 $y$ 由 $y = 0$ 变为$y = −1$，只是标签表示值不同外，与逻辑回归的形式化表示没有区别。

现在，我们可以把式 $(1.1)$ 重写为：

$$h_{w,b}(x) = g(w^T + b) \tag{1.4}$$

“逻辑回归”部分提到过：只需考虑 $\theta^Tx$ 的正负问题，而不用关心 $g(z)$，因此我们这里将 $g(z)$ 做一个简化，将其简单映射到 $y = −1 和y = 1$ 上。映射关系如下：

$$g(z)= \begin{cases} 1, & \text {if $z \geq 0$} \\ -1, & \text{if $z < 0$} \end{cases} \tag{1.5}$$

线性分类举例

还记得上一节桌面上用木棍分开红蓝小球的例子嘛？将其抽象到二维平面上表示为：

图中粉红色的线（即木棍）将红蓝色的点（即红蓝小球）分开，这条线也称为超平面（hyperplane），也可以说，在超平面一边的数据点所对应的 $y$ 全是 $–1$，而在另一边全是 $1$。

设分类函数（重要：后面会重点讨论）为：

$$f(x)=w^Tx + b \tag{1.6}$$

显然，如果 $f(x) = 0$，那么 $x$ 是位于超平面上的点。我们不妨要求对于所有满足 $f(x) < 0$ 的点，其对应的 $y$ 等于 $–1$，而 $f(x) > 0$ 则对应 $y = 1$ 的数据点，见下图。

我们先从最简单的情形开始，假设数据都是线性可分的，亦即这样的超平面是存在的。当然，有些时候，或者说大部分时候数据并不是线性可分的，这个时候满足这样条件的超平面就根本不存在（后面会涉及到）。

再实际应用中，我们在进行分类的时候，将数据点 $x$ 代入 $f(x)$ 中，如果得到的结果小于 $0$，则赋予其类别 $–1$，如果大于 $0$ 则赋予类别 $1$。如果 $f(x) = 0$，则会出现问题，它并不属于任何一类。

参考文献

[1]支持向量机通俗导论（理解SVM的三层境界) - July
[2]分类与回归区别是什么？ - 走刀口的回答 - 知乎

---

更多机器学习干货、最新论文解读、AI资讯热点等欢迎关注“AI学院(FAICULTY)”，内容持续更新中……
欢迎加入faiculty机器学习交流qq群：451429116(点此进群)
版权声明：本文不可任意转载，转载请联系作者。

---