求最优分类面(最大间隔法) - read.ppt

Support Vector Machine支持向量机 报 告 人：吕玉生 日 期：2008年4月10日 内容 SVM的理论基础 线性判别函数和判别面 最优分类面 支持向量机 LIBSVM简介 实验 SVM的理论基础 传统的统计模式识别方法只有在样本趋向无穷大时，其性能才有理论的保证。统计学习理论（STL）研究有限样本情况下的机器学习问题。SVM的理论基础就是统计学习理论。 传统的统计模式识别方法在进行机器学习时，强调经验风险最小化。而单纯的经验风险最小化会产生“过学习问题”，其推广能力较差。 推广能力是指: 将学习机器(即预测函数,或称学习函数、学习模型)对未来输出进行正确预测的能力。 SVM的理论基础 SVM的理论基础 根据统计学习理论，学习机器的实际风险由经验风险值和置信范围值两部分组成。而基于经验风险最小化准则的学习方法只强调了训练样本的经验风险最小误差，没有最小化置信范围值，因此其推广能力较差。 Vapnik 与1995年提出的支持向量机（Support Vector Machine, SVM）以训练误差作为优化问题的约束条件，以置信范围值最小化作为优化目标，即SVM是一种基于结构风险最小化准则的学习方法，其推广能力明显优于一些传统的学习方法。 SVM的理论基础 由于SVM 的求解最后转化成二次规划问题的求解，因此SVM 的解是全局唯一的最优解 SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中. 线性判别函数和判别面 一个线性判别函数(discriminant function)是指由x的各个分量的线性组合而成的函数 两类情况:对于两类问题的决策规则为 如果g(x)=0，则判定x属于C1， 如果g(x)0，则判定x属于C2 线性判别函数和判别面 方程g(x)=0定义了一个判定面，它把归类于C1的点与归类于C2的点分开来。 当g(x)是线性函数时，这个平面被称为“超平面”(hyperplane)。 当x1和x2都在判定面上时， 这表明w和超平面上任意向量正交， 并称w为超平面的法向量。 线性判别函数和判别面 线性判别函数和判别面 在一维空间中，没有任何一个线性函数能解决下述划分问题（黑红各代表一类数据），可见线性判别函数有一定的局限性。 线性判别函数和判别面 如果建立一个二次判别函数g(x)=(x-a)(x-b)，则可以很好的解决上述分类问题。 决策规则仍是：如果g(x)=0，则判定x属于C1，如果g(x)0，则判定x属于C2。 线性判别函数和判别面 线性判别函数和判别面 最优分类面 SVM 是从线性可分情况下的最优分类面发展而来的, 基本思想可用下图的两维情况说明. 最优分类面 最优分类面 求最优分类面(最大间隔法) 最优分类面 凸集和凸函数　 最优分类面 首先建立Lagrange函数 　 最优分类面 线性不可分的情况下，可以条件 中增加一个松弛项　　　　　成为　 支持向量机 上节所得到的最优分类函数为： 该式只包含待分类样本与训练样本中的支持向量的内积 运算，可见,要解决一个特征空间中的最优线性分类问题,我们只需要知道这个空间中的内积运算即可。 ?对非线性问题, 可以通过非线性变换转化为某个高维空间中的线性问题, 在变换空间求最优分类面. 这种变换可能比较复杂, 因此这种思路在一般情况下不易实现. 支持向量机 核: 支持向量机 支持向量机 支持向量机 ①?非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射; ②?对特征空间划分的最优超平面是SVM的目标,最大化分类边界的思想是SVM方法的核心; ③?支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。 ?SVM 是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的“转导推理”(transductive inference) ,大大简化了通常的分类和回归等问题。 支持向量机 SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数,这在某种意义上避免了“维数灾难”。 ?少数支持向量决定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本,而且注定了该方法不但算法简单,而且具有较好的“鲁棒”性。这种“鲁棒”性主要体现在: ①增、删非支持向量样本对模型没有影响; ②支持向量样本集具有一定的鲁棒性; ③有些成功的应用中,SVM 方法对核的选取不敏感。 支持向量机 SVM本质上是两类分类器. 常用的SVM多值分