《支持向量机课件》-.pptxVIP

  1. 1、本文档共10页,可阅读全部内容。
  2. 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. 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. 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. 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. 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. 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. 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)

罗康 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档