线性可分情形下的支持向量机.ppt

扩展知识 线性不可分 核函数 线性可分情形下的支持向量机(Support vector machine,SVM) Outline Movitation Primal problem and an example Dual problem and an example Optimization algorithms-SMO Discussion Movitation 函数间隔与几何间隔 SVM：通过找出支持向量，获得这样的超平面——最大化与最近样本之间的几何间隔 支持向量 问题提出 线性可分的分类问题：（令黑色的点 = -1， 白色的点 = +1） 所以当有一个新的点x需要预测属于哪个分类的时候，我们用sgn(f(x))，就可以预测了，sgn表示符号函数，当f(x) 0的时候，sgn(f(x)) = +1, 当f(x) 0的时候sgn(f(x)) = –1。 +1 -1 我们怎样才能取得一个最优的划分直线f(x)呢？最大化与最近样本之间的间隔！ 左边的图：改组样本有很多超平面; 中间的图：该超平面随能正确划分现有的点，但是好险啊。再来一个点，预测错误的几率很大! 右边的图：通过找出支持向量，获得的最大间隔的超明面 函数间隔与几何间隔 函数间隔的缺点：以相同的倍数变化w和b，超平面未发生改变，函数间隔却发生了变化！ 最优超平面：最大化间隔的超平面 目标函数： 目标函数的变换 ↓函数间隔与几何间隔之间的关系 ↓令函数间隔为1，唯一化最优的w,b 支持向量 刚好满足约束条件的即为支持向量——画圈的样本点。黑色的线为最优超平面！其w,b由支持向量确定！虚线为间隔边界！支持向量至最优超平面的几何距离为1/||w||！目标函数即使得该几何距离最大化！ 原始形式的算法流程 一个例子 Dual problem 原问题 对偶问题：将w,b 表示为样本的线性组合的形式 变化为对偶问题的优势 1、对偶问题更容易求解 2、自然引入核函数，进而推广至非线性分类问题。 核函数 如何变化为对偶问题？——Lagrange duality 其中 原问题 原问题的另一种形式 → 显然有： Lagrange duality 其中 原问题（P） 对偶问题（D) 显然有 对偶间隙：p*-d* When对偶间隙为0? 对偶间隙为0时，必定有w*,alpha*,beta*满足：w*为原问题的（最优）解，且alpha*,beta*为对偶问题的（最优）解；且满足Karush-Kuhn-Tucker (KKT)条件。 Karush-Kuhn-Tucker (KKT)条件 注：Moreover, if some w*,alpha*,beta*satisfy the KKT conditions, then it is also a solution to the primal and dual problems. 其中第3式被称为对偶互补条件。利用3式可以获得支持向量。 SVM的原问题变为对偶问题（maxmin问题） 第一步：建立拉格朗日函数 第二步：固定w,b，最小化L。令偏导数为0 第三步：将两式带回L(w,b,a)得到对偶问题的表达式 对偶问题 目标函数是alpha的函数，约束条件也只与alpha有关了！ KKT条件在SVM上的应用 假设已经求得对偶问题的解，利用KKT条件构造w和b 支持向量对应于alpha*0的向量！ 一个例子 对偶问题的求解算法：SMO 坐标法