吴恩达《Machine Learning》精炼笔记 7:支持向量机 SVM
今天带来第七周课程的笔记:关于支持向量机SVM的相关知识点。内容包含:
硬间隔
支持向量
软间隔
对偶问题
优化目标Optimization Objectives
主要是讲解如何从逻辑回归慢慢的推导出本质上的支持向量机。逻辑回归的假设形式:
左边是假设函数
右边是Sigmoid激活函数
令z=θTx,如果满足:
若y=1,希望h(θ)约为1,将样本正确分类,那么z必须满足z>>0
若y=0,希望h(θ)约为0,将样本正确分类,那么z必须满足z<<0
样本正确分类指的是:假设函数h(x)得到的结果和真实值y是一致的
总代价函数通常是对所有的训练样本进行求和,并且每个样本都会为总代价函数增加上式的最后一项(还有个系数1/m,系数忽略掉)
如果y=1,目标函数中只有第一项起作用,得到了表达式 :
支持向量机
根据逻辑回归推导得到的支持向量机的公式 :
两个cost函数是上面提到的两条直线。对于逻辑回归,在目标函数中有两项:
第一个是训练样本的代价
第二个是正则化项
大边界的直观解释
下面是支持向量机的代价函数模型。
SVM决策边界
SVM鲁棒性:间隔最大化,是一种大间距分类器。
关于上图的解释:
C太大的话,将是粉色的线
C不是过大的话,将是黑色的线
大间距分类器的描述,仅仅是从直观上给出了正则化参数C非常大的情形,C的作用类似于之前使用过的正则化参数1λ
C较大,可能导致过拟合,高方差
C较小,可能导致低拟合,高偏差
硬间隔模型
间隔和支持向量
注释:本文中全部采用列向量:
给定一个样本训练集D=(x1,y1),(x2,y2),…,(xm,ym),其中yi∈(−1,+1)
分类学习的基本思想就是:基于训练集D在样本空间上找到一个划分的超平面
上面红色的线是最好的。所产生的分类结果是最鲁棒的,最稳定的,泛化能力是最好的。
划分超平面的的线性描述:
W称之为法向量(看做是列向量),决定平面的方向;b是位移项,决定了超平面和原点之间的距离。
空间中任意一点x到超平面(w,b)的距离是:
在+区域的点满足y=+1:
在−区域的点满足y=−1:
综合上面的两个式子有:
支持向量
距离超平面最近的几个点(带上圆圈的几个点)称之为支持向量support vector,这个点到超平面到距离称之为间隔margin
刚好在决策边界上的点(下图中带上圆圈的点)满足上式中的等号成立:
间距margin
求解间距margin就是求解向量(x+−x−)在法向量上的投影
决策边界上的正例表示为:
决策边界行的负例表示为:
将两个结果带入margin 的表达式中:
SVM的基本模型
最大间隔化只需要将||w||最小化即可:
SVM-对偶模型
模型参数推导
希望求解上面基本模型对应超平面的模型:
利用拉格朗日乘子αi,改成拉格朗日函数:
分别对w,b求导,可以得到:
对偶模型
原始问题是极大转成最大值问题:
带入拉格朗日函数中,得到对偶问题(全部是关于α系数):
转换一下,变成最小值问题(上面的式子加上负号):
那么超平面的模型 :
SMO算法
思想
SMO算法指的是Sequential Minimal Optimization,序列最小优化算法。算法的根本思路是:
所有的α满足:
先选取需要更新的变量αi和αj
固定变量αi和αj以外的参数,求解更新后的变量αi和αj
其中c使得上式成立:
将变量αi和αj的其中一个用另一个来表示,得到关于αi的单变量二次规划问题,就可以求出来变量αi
软间隔最大化
上面的结论和推导都是针对的线性可分的数据。线性不可分数据意味着某些样本点(xi,yi)不再满足函数间隔大于等于1的约束条件,比如下图中的红圈中的点,故引入了松弛变量ξi≥0,满足:
因此,目标函数由原来的1/2||w||*||w||变成了
其中C≥0是惩罚项参数,C值越大对误分类的越大,C越小对误分类的惩罚越小。