一. 支持向量机概述
image.png
1.1 要解决的问题
- 什么样的决策边界才是最好的呢？
- 特征数据本身如果就很难分，怎么办呢？
- 计算复杂度怎么样？能实际应用吗？
目标：
基于上述问题对SVM进行推导
1.2 决策边界
选出来离雷区最远的（雷区就是边界上的点，要Large Margin）
image.png
1.3 距离的计算
image.png
image.png
image.png
1.4 数据标签定义
数据集：(X1,Y1)(X2,Y2)…(Xn,Yn)
Y为样本的类别：当X为正例时候Y = +1 当X为负例时候Y = -1
决策方程：
image.png
1.5 优化的目标及目标函数
1.5.1 优化目标
通俗解释：
找到一个条线（w和b），使得离该线最近的点（雷区）
能够最远
将点到直线的距离化简得：
image.png
由于
image.png
所以将绝对值展开原始依旧成立
1.5.2 目标函数
放缩变换：
对于决策方程（w,b）可以通过放缩使得其结果值|Y|>= 1
（之前我们认为恒大于0，现在严格了些）
image.png
优化目标：
image.png
由于
image.png
只需要考虑
image.png
目标函数搞定！
当前目标：
image.png
约束条件：
image.png
常规套路：
将求解极大值问题转换成极小值问题
因为通过求导(梯度下降)可以求出极小值，所以很多数学问题最终都是用来求最小值。
至于为什么要加一个1/2，因为使用对数，刚好和平方那个消除了。
image.png
如何求解：
应用拉格朗日乘子法求解
1.6 拉格朗日乘子法
这里我们就不讲解拉格朗日乘子法，直接使用。
带约束的优化问题：
image.png
image.png
原式转换：
image.png
我们的式子：
image.png
约束条件:
image.png
1.7 SVM求解
分别对w和b求偏导,分别得到两个条件（由于对偶性质）
image.png
对w/b求偏导：
image.png
带入原式：
image.png
image.png
image.png
1.8 SVM求解实例
image.png
image.png
image.png
image.png
支持向量：真正发挥作用的数据点，ɑ值不为0的点支持向量机
image.png
1.9 soft-margin
image.png
软间隔：
有时候数据中有一些噪音点，如果考虑它们咱们的线就不太好了
之前的方法要求要把两类点完全分得开，这个要求有点过于严格了，我们来放松一点！
为了解决该问题，引入松弛因子
image.png
新的目标函数：
image.png
当C趋近于很大时：意味着分类严格不能有错误
当C趋近于很小时：意味着可以有更大的错误容忍
C是我们需要指定的一个参数！
拉格朗日乘子法：
image.png
1.10 低维不可分问题
核变换：既然低维的时候不可分，那我给它映射到高维呢？
image.png
目标：找到一种变换的方法，也就是∅（x）
image.png
通过升级维度将我们的特征区分开，那么真正的情况我们是否升级了维度呢?
我们都知道，升级了维度，计算量呈指数型上升，别人的模型可能半个小时就跑出来，你的模型需要数天才可以跑出来，这样的话肯定是不行的。
核函数是在一个低维空间去完成高维样本内积的计算，计算量大大减少。
image.png
高斯核函数：
image.png
线性核函数:
image.png
高斯和函数:
不一定是圆形，也可以是其它
image.png
网友评论