序贯最小化方法SequentialMinimalOptimizationSMO.PPT

序贯最小化方法（Sequential Minimal Optimization，SMO） 目录 支持向量机模型C-SVC C-SVC的求解方法 大规模问题时的求解方法 支持向量机模型C-SVC 二分类问题 二分类问题：根据给定的训练集， 其中 要求寻找 上的决策函数 以便能用决策函数 “较好地”推断任一模式相对应的 值。 支持向量机模型C-SVC 支持向量机的特色 用间隔定量地定义了置信风险：间隔越大，置信风险越小，间隔越小，置信风险越大 用参数C实现了经验风险与置信风险的折中 最优分类超平面只由少数支持向量决定，问题具有稀疏性 模型为凸二次规划模型，没有陷入局部最优解的问题，任何局部最优解都是全局最优解 通过使用核方法，具备了强大的非线性处理能力 C-SVC的求解方法 C-SVC是个凸二次规划问题，所有求解凸二次规划问题的方法都可用来求解该模型 C-SVC的KKT条件为 大规模凸二次规划问题的求解 但是对于大规模问题（即决策变量个数或样本维数较大），传统的方法（如有效集方法)基本上难以有效求解. 大规模凸二次规划问题的求解思路：通过求解一系列小规模（即原决策变量的一个合适子集）的凸二次规划问题，获得原问题的解，此类方法统称为分块或分解的方法. 大规模C-SVC的求解方法 Chunking方法（Vapnik，1982） 根据去掉非支持向量的样本不会影响最终决策超平面的事实，可将大规模的QP问题分解为一系列的小规模QP问题来求解。在迭代的每一步，Chunking求解如下一个QP子问题：上次迭代的非零Lagrange乘子加上违反KKT条件最多的M个乘子，QP子问题的初始解为上次迭代QP子问题的解，一直到所有的乘子都满足KKT条件为止。进入QP子问题的乘子称为工作集。 Osuna方法（Osuna，1997） 固定Chunking工作集的大小，比如每次迭代时加入1个违反KKT条件的乘子，则需在原工作集中去除一个乘子。 SMO方法（Platt，1998） 固定Chunking工作集的大小为2(最小). Chunking,Osuna和SMO的工作集比较 SMO算法 两个Langrange乘子变量问题的求解 不需迭代，可直接求得其解析解 选取两个Langrange乘子变量的启发式规则 两个Langrange乘子变量问题的求解 选取两个Langrange乘子变量的启发式规则 第一个Langrange乘子的启发式规则 第二个Langrange乘子的启发式规则 第一个Langrange乘子的启发式规则 任何违反KKT条件(2)的乘子(或样本)都是合法的第一个Langrange乘子 第一个Langrange乘子的选择构成SMO算法的外层循环 外层循环分两种情况选择第一个乘子 在所有乘子中选择（第1次或者(0,C)中没有违法KKT条件的乘子的情行） 在界内(0,C)乘子中选择（其他情形，这是常规情况） 外层循环分两种情况选择第一个乘子的理由 当SMO算法有进展时，界上的乘子（即等于0或C的乘子）一般仍停留在界上，界内的乘子才发生改变，因此首先在界内乘子中选择，可以加快算法的运行时间 第二个Langrange乘子的启发式规则 与第一个乘子的结合，应该使第二个乘子的迭代步长较大。根据(4)式，第二个乘子的迭代步长大致正比于|E1-E2|，因此应选择第二个乘子最大化|E1-E2|，，即当E1为正时最小化E2，当为负E1时最大化E2. b,u,E,w 的更新 SMO算法的框架 给定精度?,初始的?(0)=0,k=0; 利用启发式规则选择优化的两个langrange乘子变量?1(k)和?2(k),并求解关于这两个变量的最优化问题(4),得最优解?1(k+1)和?2(k+1),据此更新?得到?(k+1) ; 若在精度内满足停机准则,即KKT条件(2),则转第(4)步;否则令k=k+1,转第(2)步; 取近似最优解?*= ?(k+1). 选择两个乘子变量的一些启发式规则 Maximal Violating Pair (Keerthi et al. 2001).被应用在LIBSVM软件包（Chang and Lin,2001）中. Using Second Order Information (Fan,Chen,and Lin,2005) Maximal Violating Pair KKT条件的另一种描述 Maximal Violating Pair 违反对 Using Second Order Information 但是不象最大违反对准则，在这里要获得最优的2个乘子变量，没有简单规则，可以让我们逃避Cl2的比较。 实现方法：采用一些启发式规则，只检查乘子变量的一些组合，获得可接受（不是最优）的2个乘子变量(WSS2) Non-