svm算法本身的推导演算过程有些许的繁琐。但是svm的便捷和普遍实用性的分类性质普遍表现不错，基本可以当作一个万能算法来先跑一下。但是因为svm高纬的核函数升维业务上并不是那么直观，所以一些需要强业务解释的场合反而不会用。再加上svm的准确率，相比深度学习的简单模型也相差甚远。所以在不需要业务解释的场景时，softmax的效果往往又远好于svm。所以。。。
我们先以一维数据为例。如果我们要分割一维数据集，此时我们只需要一个点。即自由度为0维的数据。如果我们要分割一堆二维数据的点集合，如图：
image.png
我们只需要找出自由度为1的一个线，即可把两类数据分割开。如果我们需要把空间中的点集分成两类呢，这个不难想到，我们需要的只是一个自由度为2的平面。不难想到，如果我们需要分割N维的一个数据集，那么我们需要的分割向量，就是N-1维的向量。
这里我们从2维数据的分割开始推导，再推到一般情况的多维数据分割取。
假设我们需要把平面中的2类点，用一条线分割开。那么我们假设这条线的支持向量方程为：
W^T *X + b .接着我们计算下，点m到分割线的距离，则距离为：|wTm+b|/||w| 。
我们假设两条支持向量的距离为2。由于所有点都在支持向量的两侧，所以，我们的目标即转化为了：
最大化，支持向量间的距离，在点都满足在支持向量两侧的前提下的凸优化问题。
image.png
这里要解决这个凸优化问题，可以采用拉格朗日中值定理，也可以用KKT的约束条件。这里的推导有些繁琐，对此感兴趣的同学请自行查找资料。
最终我们会推出一个与参数无关的方程
image.png
但是实际问题中，往往并不是数据凑巧就可分。这个时候往往就需要核函数升维。在低纬不可分的问题，到了高维，往往就可分。实际中也会有个别的数据在高维，因为极个别点不可分。这个时候我们就需要引入松弛变量，来应该极个别的不可分点。
网友评论