支持向量机及应用简介.pptxVIP

支持向量机介绍统计学习理论

统计学习理论是小样本统计估计和预测学习的最佳理论。假设输出变量Y与输入变量X之间存在某种对应的依赖关系,即一未知概率分布P(X,Y)，P(X,Y)反映了某种知识。学习问题可以概括为:根据l个独立同分布(independentlydrawnandidenticallydistributed)的观测样本trainset，(x1,y1),(x2,y2),…,(xn,yn)统计学习理论

支持向量机（SVM）支持向量机（SupportVectorMachine，SVM）是由Boser,Guyon和Vapnik发明，并首次在计算学习理论（COLT）1992年年会论文中提出。它是继人工神经网络后，智能计算领域发展的又一里程碑。支持向量机以严格证明的统计学习理论为基础，使用核函数把数据从样本空间映射到高维特征空间，将非线性问题转化为线性可分问题，获得最优解，是一重大的理论创新。支持向量机有严密的数学基础，训练结果只与支持向量有关，且泛化性强，成为了解决非线性问题的重要工具，因此，受到智能计算领域学者的广泛关注，在模式分类和回归领域得到了广泛的应用。

机器学习的基本问题和方法从给定的函数集Ω中选择出能够最好地逼近系统响应的函数ω系统（S）学习机器（LM）输入x输出y

有指导机器学习的目的是根据给定的训练样本，求出对某系统输入输出之间依赖关系的估计，使它能够对未知输入作出尽可能准确的预测。可以一般地表示为：变量y与x存在一定的未知依赖关系，即遵循某一未知的联合概率F(x,y)（x和y之间的确定性关系可以看作是其特例），有指导机器学习问题就是根据N个独立同分布观测样本在一组函数{f(x,w)}中求一个最优的函数f(x,w0)对依赖关系进行估计，使期望风险最小010302

期望风险学习到一个假设H=f(x,w)作为预测函数,其中w是广义参数.它对F(X,Y)的期望风险R(w)是(即统计学习的实际风险)：其中，{f(x,w)}称作预测函数集，w为函数的广义参数。{f(x,w)}可以表示任何函数集。L(y,f(x,w))为由于用f(x,w)对y进行预测而造成的损失。不同类型的学习问题有不同形式的损失函数。

而对trainset上产生的风险Remp(w)被称为经验风险(学习的训练误差):首先Remp(w)和R(w)都是w的函数，传统概率论中的定理只说明了(在一定条件下)当样本趋于无穷多时Remp(w)将在概率意义上趋近于R(w)，却没有保证使Remp(w)最小的点也能够使R(w)最小(同步最小)。12经验风险

因为是由训练样本(即经验数据)定义的，因此称之为经验风险。用求经验风险的最小值代替求期望风险R(a)的最小值，就是所谓的经验风险最小化(ERM)准则从期望风险最小化到经验风险最小化的理论依据是大数定理，只有当训练样本趋近于无穷大的时候，经验风险才趋近于期望风险。即：经验风险最小化准则

过学习OverfittingandunderfittingProblem:howrichclassofclassificationsq(x;θ)touse.underfittingoverfittinggoodfitProblemofgeneralization:asmallempricalriskRempdoesnotimplysmalltrueexpectedriskR.

由于经验风险最小化代替期望风险最小化的理论依据是大数定理，实际的机器学习不能满足训练样本趋近于无穷大这一苛刻的要求，致使经验风险最小化准则算法复杂性大与泛化能力差。例如：基于经验风险最小化准则人工神经网络研究中，广大学者总是把注意力集中在如何使更小，但很快便发现，一味追求训练误差小并不是总能达到好的预测效果。存在的问题

从理论上看，之所以出现过学习现象，1一是因为训练样本不充分，2二是机器学习的风险准则不合理。3出现这种现象的原因，就是试图用一个复杂的模型去拟合有限的样本，结果导致丧失了推广能力。在神经网络中，如果对于有限的训练样本来说网络的学习能力过强，足以记住每一个训练样本，此时经验风险很快就可以收敛到很小甚至零，但学习机器却根本无法保证它对未来新的样本能够得到好的预测。这就是有限样本下学习机器的复杂性与推广性之间的矛盾。因此，关于学习机器复杂性和推广能力，得到以下的结论,4原因

经验风险最小并不一定意味着期望风险最小;01学习机器的复杂性不但与所研究的系统有关，而且要和有限的学习样本相适应。02结论

单击此处添加大标题内容单击此处添加正文，文字是您思想的提炼，为了演示发布的良好效果，请言简意赅地阐述您的观点。您的内容已经简明扼要，字字珠玑，但信息却千丝万缕、错综复杂，需要用