SVM算法(支持向量机)精品.docVIP

???? 数学之路(3)-机器学习(3)-机器学习算法-SVM[1] 分类：?智能与数学2013-07-10 20:38?450人阅读?评论(0)?收藏?举报 数学SVM SVM支持向量机 我们考虑以下形式的样本点 超平面的数学形式可以写作 其中是超平面上的点，是垂直于超平面的向量。 根据几何知识，我们知道向量垂直于分类超平面。加入位移b的目的是增加间隔。如果没有b的话，那超平面将不得不通过原点，限制了这个方法的灵活性。 由于我们要求最大间隔，因此我们需要知道支持向量以及（与最佳超平面）平行的并且离支持向量最近的超平面。我们可以看到这些平行超平面可以由方程族： 来表示。 由于只是超平面的法向量，长度未定，是一个变量，所以等式右边的1和-1只是为计算方便而取的常量，其他常量只要互为相反数亦可。 如果这些训练数据是线性可分的，那就可以找到这样两个超平面，在它们之间没有任何样本点并且这两个超平面之间的距离也最大。通过几何不难得到这两个超平面之间的距离是2/|w|，因此我们需要最小化 |w|。同时为了使得样本数据点都在超平面的间隔区以外，我们需要保证对于所有的满足其中的一个条件 这两个式子可以写作： 在数学最优化问题中，拉格朗日乘数法（以数学家约瑟夫·拉格朗日命名）是一种寻找变量受一个或多个条件所限制的多元函数的极值的方法。这种方法将一个有n个变量与k?个约束条件的最优化问题转换为一个有n?+?k个变量的方程组的极值问题，其变量不受任何约束。这种方法引入了一种新的标量未知数，即拉格朗日乘数：约束方程的梯度（gradient）的线性组合里每个向量的系数。 简单举例： 引入新变量拉格朗日乘数，即可求解下列拉格朗日方程 微积分中最常见的问题之一是求一个函数的极大极小值（极值）。但是很多时候找到极值函数的显式表达是很困难的，特别是当函数有先决条件或约束时。拉格朗日乘数则提供了一个非常便利方法来解决这类问题，而避开显式地引入约束和求解外部变量。 先看一个二维的例子：假设有函数：，要求其极值（最大值/最小值），且满足条件 c?为常数。对不同的值，不难想像出 的等高线。而方程的等高线正好是。想像我们沿着的等高线走；因为大部分情况下和的等高线不会重合，但在有解的情况下，这两条线会相交。想像此时我们移动上的点，因为是连续的方程，我们因此能走到更高或更低的等高线上，也就是说可以变大或变小。只有当和相切，也就是说，此时，我们正同时沿着和走。这种情况下，会出现极值或鞍点。 绿线标出的是约束g(x,y) =?c的点的轨迹。蓝线是f的等高线。箭头表示斜率，和等高线的法线平行。 气象图中就很常出现这样的例子，当温度和气压两列等高线同时出现的时候，切点就意味着约束极值的存在。 用向量的形式来表达的话，我们说相切的性质在此意味着和的斜率在某点上平行。此时引入一个未知标量λ，并求解： 且λ?≠ 0. 一旦求出λ的值，将其套入下式，易求在无约束极值和极值所对应的点。 新方程在达到极值时与相等，因为达到极值时总等于零。 如f定义为在Rn上的方程，约束为gk（x）=?ck（或将约束左移得到gk(x)???ck?=?0）。定义拉格朗日Λ为 注意极值的条件和约束现在就都被记录到一个式子里了： 和 拉格朗日乘数常被用作表达最大增长值。原因是从式子： 求此方程的最小值： 同时未知数满足 因为只有一个未知数的限制条件，我们只需要用一个乘数. 将所有方程的偏微分设为零，得到一个方程组，最大值是以下方程组的解中的一个： 求解方程组，结果如下： lambda = x = 0 0 1/3*6^(1/2) -1/3*6^(1/2) 1/3*6^(1/2) -1/3*6^(1/2) y = 1 -1 1/3*3^(1/2) 1/3*3^(1/2) -1/3*3^(1/2) -1/3*3^(1/2) 因此，f(x,y)的最小值为-0.3849 寻找最佳超平面这个问题就变成了在（1）这个约束条件下最小化|w|.这是一个二次规划QP(quadratic programming)最优化中的问题。 更清楚的表示： 1/2这个因子是为了数学上表达的方便加上的。 解如上问题通常的想法可能是使用非负拉格朗日乘数??于下式 不过这样可能出错. 原因是：假如我们能找到一族超平面将这些点分割开来；那么所有的?. 因此我们可能通过将所有趋向得到最小值, 此最小值对这一族内所有成员都有效，而不是解决原问题的最优解。 不过以前的约束问题可以表示为 此式表明我们寻找一个鞍点。这样所有可以被分离的点就无关紧要了，因为我们必须设置相应的??为零。 这个问题现在可以用标准二次规划技术标准和程序解决。结论可以表示为如下训练向量的线性组合 只有