大数据十大经典算法SVM-讲解PPT.ppt

分类概念：通过构造一个分类函数或分类器的方法，该方法能把数据库中的数据项映射到给定类别中的某一个，从而可以用于预测未知数据。数据：线性可分线性不可分什么是SVM全名：SupportVectorMachine（支持向量机）支持向量：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。机：一个算法基于统计学习理论的一种机器学习方法。简单的说，就是将数据单元表示在多维空间中，然后对这个空间做划分的算法。SVM的特点SVM是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性之间寻求最佳折衷，以期获得最好的推广能力（或泛化能力）。核函数松弛变量线性分类1线性分类1线性分类问题1.如何求得最优的g(x)？2.最优的标准是什么？3.g(x)=wx+b中的w和b如何确定？最优标准：分类间隔数据表示Di=(xi,yi)分类间隔即两分类之间的距离——越远越不易混淆定义δi=(1/||w||)|g(xi)|，称为几何间隔||w||叫做向量w的范数,WX的p范数为||w||p=(X1^p+X2^p+...+Xn^p）^(1/p)最优标准：分类间隔H2与H之间的间隔便是几何间隔。其中H1：w,x+b=1；H2：w,x+b=-1；几何间隔与样本的误分次数间的关系：误分次数=(2R/δ)^2，其中δ是样本集合到分类面的间隔，R=max||xi||,i=1,...,n;所以问题转化成为求最大δ值。因为w是超平面的法向量，所以w实际上只由在H1平面上的样本点确定；在H1上的向量则叫做SupportedVectors，因为它们“撑”起了分界线。求最大的δ于是问题便转化成了求很容易看出当||w||=0的时候就得到了目标函数的最小值。反映在图中，就是H1与H2两条直线间的距离无限大，所有样本点都进入了无法分类的灰色地带解决方法：加一个约束条件求最大的δ我们把所有样本点中间隔最小的那一点的间隔定为1，也就意味着集合中的其他点间隔都不会小于1，于是不难得到有不等式：yi[w,xi+b]≥1(i=1,2,…,l)总成立。于是上面的问题便转化成了求条件最优化问题：约束条件这是一个凸二次规划问题，所以一定会存在全局的最优解，但实际求解较为麻烦。实际的做法：将不等式约束转化为等式约束，从而将问题转化为拉格朗日求极值的问题。最优问题的求解引入拉格朗日对偶变量a，w可表示为：w=a1y1x1+a2y2x2+…+anynxn；利用Lagrange乘子法：凸二次规划问题求解代入L(w,b,a):问题转换为：由凸二次规划的性质能保证这样最优的向量a是存在的凸二次规划问题求解线性分类目标函数：约束条件：目标函数：约束条件：拉格朗日乘数法可将问题转化为对偶问题：目标函数：约束条件：线性分类巧妙之处：原问题=二次凸优化问题=对偶问题对偶问题求解：更巧妙的地方：未知数据x的预测，只需要计算它与训练数据点的内积即可非线性分类对于以上所述的SVM，处理能力还是很弱，仅仅能处理线性可分的数据。如果数据线性不可分的时候，我们就将低维的数据映射向更高的维次，以此使数据重新线性可分。这转化的关键便是核函数。非线性分类找不到一个超平面（二维空间：直线）将其分割开来，而很自然的想到可以用一个椭圆将数据分为两类Z1=X1,Z2=X12,Z3=X2,Z4=X22,Z5=X1X2(X1,X2)——(Z1,Z2,Z3,Z4,Z5,)即将：R2空间映射到R5空间。此时，总能找到一个超平面wTZ+b=0wT={a1，a2，a3，a4，a5}T，b=a6使得数据很好的分类。映射过后的空间:非线性分类令：Z1=X1,Z2=X12,Z3=X2,Z4=X22,Z5=X1X2(X1,X2)—Φ—(Z1,Z2,Z3,Z4,Z5,)则：对于样本x1=(η1,η2),x2=(ξ1,ξ2)Φ(x1)=[η1,η12,η2,η22,η1η2]TΦ(x2)=[ξ1,ξ12,ξ2,ξ22,ξ1ξ2]T内积:我们注意到：1、监督学习、非监督学习2、机：在机器学习领域，常把一些算法看