- 1、本文档共27页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
9.3 支持向量机
支持向量机 , 一种线性和非线性数据有前途的新 划分类方法 。巧妙利用向量内积的回旋 , 通过 将非线性核函数将问题变为高维特征空间与低 维输入空间的相互转换 , 解决了数据挖掘中的 维数灾难 。 由于计算问题最终转化为凸二次规 划问题 , 因此挖掘算法是无解或有全局最优解。
■ 所谓支持向量机 , 顾名思义 , 分为两个部分了解:
■ 一 , 什么是支持向量(简单来说 , 就是支持或支撑平 面上把两类类别划分开来的超平面的向量点)
■ 二 , 这里的“机(machine , 机器) ”便是一个算法。 在机器学习领域 , 常把一些算法看做是一个机器 , 如 分类机(当然 , 也叫做分类器) , 而支持向量机本身 便是一种监督式学习的方法 , 它广泛的应用于统计分 类以及回归分析中。
支持向量机定义
■ 目标: 找到一个超平面 , 使得它能够尽可能多 的将两类数据点正确的分开 , 同时使分开的两 类数据点距离分类面最远。
■ 解决方法: 构造一个在约束条件下的优化问题,
具体的说是一个约束二次规划问题(constrained
quadratic programing),求解该问题 , 得到分类器。
SVM的描述
概述
最大边缘超平面(MMH)
边缘: 从超平面到其边缘的侧面的最短距离等于到 其边缘的另一个侧面的最短距离 , 边缘侧面平行于 超平面
分类面与边界距离(margin)的数学表示 :
分类超平面表示为:
m
线性可分情况意味着存在超平面使训练点中的正类和 负类样本分别位于该超平面的两侧。
(w·x)+b=0
如果能确定这样的参数对(w,b)
的话,就可以构造决策函数来进行
识别新样本。
一、线性可分的支持向量(分类)机
首先考虑线性可分情况 。设有如下两类样本的训练集:
问题是: 这样的参数对(w,b) 有许多。
解决的方法是采用最大间隔原则。
最大间隔原则: 选择使得训练集D对于线性函数
(w·x)+b的几何间隔取最大值的参数对(w,b) , 并 由此构造决策函数。
在规范化下 , 超平面的几何间隔为
表述成如下的最优化问题: (1)
线性可分的支持向量(分类)机
于是 , 找最大几何间隔的超平面
其中 , 称为Lagrange乘子。
首先求Lagrange函数关于w,b的极小值 。 由极值条件有:
L(w,b,α)=0 ,VWL(w,b,α)=0
为求解问题(1),使用Lagrange乘子法将其转化为对 偶问题 。于是引入Lagrange函数:
线性可分的支持向量(分类)机
(3)
(4)
得到:
(2)
将(3)式代入Lagrange函数 , 并利用(4)式 , 则原始 的优化问题转化为如下的对偶问题(使用极小形式):
求解问题(5) , 得 。则参数对(w,b)可由下式计算:
线性可分的支持向量(分类)机
这是一个凸二
次规划问题
有唯一 的最优
(5)
解
a6= 1.4
Class 1
Class 2
几何意义: 超平面法向量是支持向量的线性组合。
a5=0
a4=0
a9=0
a7=0
a1=0.8
a8=0.6 a10=0
WTX+b= 1
a3=0
a2=0
■ 对于线性不可分的样本怎么办?
■ 如何找到正确的分类曲线和正确的超平面对此类情况分类?
■ 关键点 : 把 xi 变换到高维的特征空间
■ 为什么要变换?
通过加入一个新的特征xi , 使得样本变成线性可分的, 此时特征空间维数变高
■ Transform x (x)
a x12+bx22=1
[w]1 z1+ [w]2z2 + [w]3 z3+ b=0
■ 如何选择到较高维空间的非线性映射?给定的检 验元组 , 必须计算与每个支持向量的点积 , 出现
形如 可 以引入核函数(内积的回旋) 来替 代
为此 , 引进函数
■ 需要求解的最优化问题
■ 最后得到决策函数
■ 给定训练集后 , 决策函数仅依赖于 而不需要再考虑非线性变换
■ 如果想用其它的非线性分划办法 , 则可以考虑选择其它形式 的函数 , 一旦选定了函数 , 就可以求解最优化问题
解得 , 而决策函数
其中
目前研究最多的核函数主要有三类:
■ 多项式内核
K(x,xi)=[(x·i)+c]6
文档评论(0)