支持向量数据描述＜二＞

本文是基于张永博士的基于改进的 PCM 支持向量描述多类分类器。

在上一节中，我们看到了标准SVDD的训练方法。对于分类问题，经典的作法经常是对每一类样本，分别训练一个SVDD。对于新的待测样本，如果它落入且仅落入一个SVDD的范围内，则将它预测为该SVDD的类别，如果样本落入重叠区域，则计算样本到每个SVDD球心的距离，将其预测为与之距离最近的SVDD的类别。

经典算法，每一个样本在构造最优超球体时具有同样的地位。若训练数据中含有噪声点，则会影响SVDD的结果。所以PCM-SVDD的思路就是通过PCM计算每个样本对每类SVDD的影响程度。在这个过程中，有的样本被多次使用，有的样本未被使用。

加权SVDD

其中mi为样本xi的权值。
通过拉格朗日法将其转变为对偶问题


最终加权SVDD将转变为以下对偶问题

对比前一节的结果，我们可以看到，加权对偶问题与原始对偶问题基本相同，只是每个alpha的上限改变了。通过改变原始问题的限制，原始的优化过程不发生改变。