稀疏核机(上)—SVM回顾
作者:stephenDC
本文想讨论的是稀疏核机,包括稀疏性和核方法两个方面。
提起机器学习中模型的稀疏性,估计很多人第一时间想到的是L1正则。但这里说的稀疏性,不是指L1产生的稀疏特征,而是指有些模型的预测推断只依赖于训练集中少量的样本点。
核方法,和基函数方法一样,是对线性模型进行容量扩展的重要手段,但核方法通用性更好且会带来计算上的优势。
不过,作者发现想讨论稀疏核机,需要先回顾一下SVM的导出。
不仅因为从SVM可以方便地引出稀疏核机,还因为只有在同一语境之下(相同的符号和公式表达),才更容易把问题跟说明清楚。
因此,本文先试图把一些相关概念讲清楚,下一篇文章会基于这些概念进行引申推广。
最优分隔超平面问题
模型建立
优化问题
松弛变量的引入
下图是松弛变量情形下的分类示意:
SVM的计算
本文帮大家回顾一下SVM的导出过程,介绍了以下相关概念:
1) Margin
2) 最优分隔超平面
3) 松弛变量
4) SVM的带约束优化问题
5) SVM的拉格朗日对偶问题
下篇文章,我们将基于这些基础概念继续讨论稀疏核机,重点说明稀疏性和核方法,敬请期待。
赞 (0)