《支持向量机课件》-.pptxVIP

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