机器学习——libSVM（一）

作者: 生信小工厂 | 来源:发表于2021-03-26 21:00 被阅读0次

一、什么是支持向量机

支持向量机（Support Vector Machine,SVM）也称为支持向量网络。是一类按监督学习方式对数据进行二元分类的广义线性分类器。(百度百科)

1.基础概念的了解

①线性可分

在二维空间中，两类点被一条直线完全分开称之为线性可分

线性可分

非线性可分
用数学语言来描述就是

D_0

和

D_1

分别是N维欧式空间中的两个点集。如果存在N维向量w和实数b，使得所有属于

D_0

的点都有

wx_i+b>0

,而对于所有属于

D_1

的点

x_j

则有

wx_j+b<0

，则我们称

D_0

和

D_1

线性可分。

②Margin间隔

一个线性函数 $wx_j+b=0$ 将样本分为两类，将这个函数向左平移直到与一个点相切后停止，向右移动后同理，则我们说这两个平移后的直线间的间隔称之为margin。与这两个边界相切的那些点称之为Support vectors也就是支持向量。

Margin

2.数学推导

超平面
设每个点的表达式为

g(x)=w \cdot x+b

它们在空间中满足

f(x,w,b)=sign(g(x))=sign(w \cdot x+b)

$sign$ 是一种数学函数，在数学和计算机运算中，其功能是取某个数的符号（正或负）：当 $x>0$ ， $sign(x)=1$ ;当 $x=0$ ， $sign(x)=0$ ; 当 $x<0$ ， $sign(x)=-1$

式中的 $w$ 是一个向量，那么它的方向是指向哪边呢？我们在超平面上取两个点 $x_1$ 和 $x_2$ ，两点均满足方程 $w \cdot x+b=0$ 那么有
$w \cdot x_1+b=w \cdot x_2+b$
$w(x_1+x_2)=0$
也就是说 $w$ 垂直于超平面，是超平面的法向量

w是超平面的法向量

设空间中有任意一点 $x$ 向超平面投影，投影点为 $x'$
二者之间的距离设为 $M$

投影

计算 $M$ （方法一）

对于 $x$ 有
$g(x)=w \cdot x+b$
$x=x'+ \lambda w$
联立上两式
$g(x)=w(x'+ \lambda w)+b$
$=wx'+b+\lambda w \cdot w$
$=\lambda w \cdot w$
那么 $x$ 和 $x'$ 之间的距离 $M$ 为
$M=\begin{vmatrix} \begin{vmatrix}x-x'\end{vmatrix} \end{vmatrix}=\begin{vmatrix} \begin{vmatrix}\lambda w\end{vmatrix} \end{vmatrix}$
$={ \begin{vmatrix}g(x)\end{vmatrix}*\begin{vmatrix} \begin{vmatrix} w\end{vmatrix} \end{vmatrix} \over w \cdot w}$
$={ \begin{vmatrix}g(x)\end{vmatrix}\over \begin{vmatrix} \begin{vmatrix}w\end{vmatrix} \end{vmatrix}}$

计算 $M$ （方法二）

要计算这两点之间的距离我们首先来看一下在二维空间中点 $(x,y)$ 到直线 $Ax+By+C=0$ 的距离公式为：
${Ax+By+C\over \sqrt{ A^2+B^2}}$
扩展到n维空间后，点 $x$ 到直线 $w \cdot x+b=0$ 的距离为
$M={ \begin{vmatrix}w \cdot x+b\end{vmatrix}\over \begin{vmatrix} \begin{vmatrix}w\end{vmatrix} \end{vmatrix}}$

参考文章
【机器学习】支持向量机 SVM（非常详细）
支持向量机（SVM）入门理解与推导

机器学习——libSVM（一）

一、什么是支持向量机

1.基础概念的了解

①线性可分

②Margin间隔

2.数学推导

计算 $M$ （方法一）

计算 $M$ （方法二）

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

机器学习——libSVM（一）

一、什么是支持向量机

1.基础概念的了解

①线性可分

②Margin间隔

2.数学推导

计算（方法一）

计算（方法二）

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

计算 $M$ （方法一）

计算 $M$ （方法二）