支持向量机（SVM）及支持向量回归（SVR）简介.doc

3．支持向量机（回归） 3.1.1 支持向量机 支持向量机（SVM）是美国Vapnik教授于1990年代提出的，2000年代后成为了很受欢迎的机器学习方法。它将输入样本集合变换到高维空间使得其分离性状况得到改善。它的结构酷似三层感知器，是构造分类规则的通用方法。SVM方法的贡献在于，它使得人们可以在非常高维的空间中构造出好的分类规则，为分类算法提供了统一的理论框架。作为副产品，SVM从理论上解释了多层感知器的隐蔽层数目和隐节点数目的作用，因此，将神经网络的学习算法纳入了核技巧范畴。 所谓核技巧，就是找一个核函数使其满足，代替在特征空间中内积的计算。因为对于非线性分类，一般是先找一个非线性映射将输入数据映射到高维特征空间，使之分离性状况得到很大改观，此时在该特征空间中进行分类，然后再返会原空间，就得到了原输入空间的非线性分类。由于内积运算量相当大，核技巧就是为了降低计算量而生的。 特别， 对特征空间为Hilbert空间的情形，设是定义在输入空间上的二元函数，设中的规范正交基为。如果 ， 那么取即为所求的非线性嵌入映射。由于核函数的定义域是原来的输入空间，而不是高维的特征空间。因此，巧妙地避开了计算高维内积所需付出的计算代价。实际计算中，我们只要选定一个，并不去重构嵌入映射。所以寻找核函数（对称且非负）就是主要任务了。满足以上条件的核函数很多，例如 可以取为d-阶多项式：，其中为固定元素。 可以取为径向函数：，其中为固定元素。 可以取为神经网络惯用的核函数：，其中为固定元素。 一般地，核函数的存在性只依赖于如何寻找一个平方收敛的非负序列。这样的序列在空间的正锥中的序列都满足。但哪一个最佳还有待于进一步讨论。经验表明，分类问题对于核函数不太敏感。当然，重新构造一个核函数也不是一个简单的事。因此，实际操作中往往就在上述三类中挑出一个来使用就可以了。 支持向量机的结构示意图可以表示如下： 图1 支持向量机结构示意图 其中输入层是为了存贮输入数据，并不作任何加工运算；中间层是通过对样本集的学习，选择；最后一层就是构造分类函数 整个过程等价于在特征空间中构造一个最优超平面。 支持向量机的作用之一就是分类。根据分类的任务，可以划分为一分类，二分类以及多分类。对于多类分类问题，可以用若干种手法将其分解为若干个二分类问题叠加。因此，为了实现支持向量机分类的算法，我们只要针对二分类，从头来给出它的数学原理。 3.1.2 支持向量机分类的数学原理 设样本集为，我们的目的是寻找一个最优超平面使得标签为＋1 和－1的两类点不仅分开且分得间隔最大。 当在维欧几里德空间中就可以实现线性分离时，也即存在超平面将样本集按照标签－1与＋1分在两边。由于超平面在维欧几里德空间中的数学表达式是一个线性方程 ，其中，为系数向量，为维变量，内积，为常数。空间中点到超平面的距离。欲使得最大，等价于最小。于是，得到一个在约束条件下的极值问题 引入Lagrange乘子，可以解得关于该参变量的方程 称之为Lagrange对偶函数。其约束条件为 在此约束条件之下， 使得达到最大值的的许多分量为0，不为0的 所对应的样本就称为支持向量。这就是支持向量的来历。 当在输入空间不能实现线性分离，假设我们找到了非线性映射将样本集映射到高维特征空间中，此时我们考虑在中的集 的线性分类，即在中构造超平面，其权系数满足类似的极值问题。由于允许部分点可以例外，那么可以引入松弛项，即改写为： 最终转化为一个二次型在约束条件下的二次规划问题： 其中，，，为矩阵。 是核函数。 一分类问题是一个极端情形但却又是非常有用的，它可以表示为如下数学模型：设为空间的有限观测点，找一个以为心，以为半径的包含这些点的最小球体。因此，一分类是对于求一个化合物成分的最小包络曲面的最佳方法。与前面完全相同的手法，设是由某个核函数导出的从输入空间到特征空间中的嵌入映射，最后可以得到二次规划问题 其中，， ， 为矩阵。是核函数。此时 此时几乎所有的点满足。参数起着控制落在球外点的数目,变化区间为：. 3.1.3基于线性规划的SVM分类 由于分类问题的自然推理过程都会归结到二次规划求解，计算复杂度相对较高。如果能将其简化为线性规划而且没有较大的误差， 那么计算量将急速减少。于是提出了基于线性规划的SVM分类。此方法经过数学严格推理，是合理的（因为涉及泛函的知识较多，推理过程放在附录中）。因此产生了基于线性规划一分类、二分类、多分类。此处，我们仅给出基于线性规划的SVM分类的最终形式： 解出与则得出决策函数以及阈值。参数控制着满足条件的样本数量。特别核函数取为径向函数时，参数越小，精度越高。 另外，要提醒注意的是，在求解大规模分类问题得SVM算法实现时，需要以下辅助手段： 停机准则：由于分类问题等价于求对偶问题在约束条件下的