数学建模支持向量机.ppt

**************************SVM由于SVM的求解最后转化成二次规划问题的求解，因此SVM的解是全局唯一的最优解SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中Joachims最近采用SVM在Reuters-21578来进行文本分类，并声称它比当前发表的其他方法都好

第5页,共25页，星期六，2024年，5月OutlineSVM的理论基础线性判别函数和判别面最优分类面支持向量机第6页,共25页，星期六，2024年，5月线性判别函数和判别面一个线性判别函数(discriminantfunction)是指由x的各个分量的线性组合而成的函数两类情况:对于两类问题的决策规则为如果g(x)0，则判定x属于C1，如果g(x)0，则判定x属于C2，如果g(x)=0，则可以将x任意分到某一类或者拒绝判定。第7页,共25页，星期六，2024年，5月线性判别函数下图表示一个简单的线性分类器，具有d个输入的单元，每个对应一个输入向量在各维上的分量值。该图类似于一个神经元。第8页,共25页，星期六，2024年，5月超平面方程g(x)=0定义了一个判定面，它把归类于C1的点与归类于C2的点分开来。当g(x)是线性函数时，这个平面被称为“超平面”(hyperplane)。当x1和x2都在判定面上时，这表明w和超平面上任意向量正交，并称w为超平面的法向量。注意到：x1-x2表示超平面上的一个向量第9页,共25页，星期六，2024年，5月判别函数g(x)是特征空间中某点x到超平面的距离的一种代数度量?从下图容易看出第10页,共25页，星期六，2024年，5月上式也可以表示为：r=g(x)/||w||。当x=0时，表示原点到超平面的距离，r0=g(0)/||w||=w0/||w||，标示在上图中。总之：线性判别函数利用一个超平面把特征空间分隔成两个区域。超平面的方向由法向量w确定，它的位置由阈值w0确定。判别函数g(x)正比于x点到超平面的代数距离（带正负号）。当x点在超平面的正侧时，g(x)0；当x点在超平面的负侧时，g(x)0第11页,共25页，星期六，2024年，5月多类的情况利用线性判别函数设计多类分类器有多种方法。例如可以把k类问题转化为k个两类问题，其中第i个问题是用线性判别函数把属于Ci类与不属于Ci类的点分开。更复杂一点的方法是用k(k-1)/2个线性判别函数，把样本分为k个类别，每个线性判别函数只对其中的两个类别分类。第12页,共25页，星期六，2024年，5月广义线性判别函数在一维空间中，没有任何一个线性函数能解决下述划分问题（黑红各代表一类数据），可见线性判别函数有一定的局限性。第13页,共25页，星期六，2024年，5月广义线性判别函数如果建立一个二次判别函数g(x)=(x-a)(x-b)，则可以很好的解决上述分类问题。决策规则仍是：如果g(x)0，则判定x属于C1，如果g(x)0，则判定x属于C2，如果g(x)=0，则可以将x任意分到某一类或者拒绝判定。第14页,共25页，星期六，2024年，5月广义线性判别函数第15页,共25页，星期六，2024年，5月广义线性判别函数第16页,共25页，星期六，2024年，5月设计线性分类器第17页,共25页，星期六，2024年，5月OutlineSVM的理论基础线性判别函数和判别面最优分类面支持向量机第18页,共25页，星期六，2024年，5月最优分类面SVM是从线性可分情况下的最优分类面发展而来的,基本思想可用图2的两维情况说明.图中,方形点和圆形点代表两类样本,H为分类线,H1,H2分别为过各类中离分类线最近的样本且平行于分类线的直线,它们之间的距离叫做分类间隔(margin)。?所谓最优分类线就是要求分类线不但能将两类正确分开(训练错误率为0),而且使分类间隔最大.推广到高维空间，最优分类线就变为最优分类面。第19页,共25页，星期六，2024年，5月最优分类面第20页,共25页，星期六，2024年，5月如何求最优分类面第21页,共25页，星期六，2024年，5月最优分类面第22页,共25页，星期六，2024年，5月OutlineSVM的理论基础线性判别函数和判别面最优分类面支持向量机第23页,共25页，星期六，2024年，5月支持向量机上节所得到的最优分类函数为：