【原创】机器学习从零开始系列连载(3)——支持向量机
支持向量机
Support Vector Machine
模型原理
超平面的定义如下:
从几何关系上来看，超平面与数据点的关系如下(以正样本点为例)：
定义几何距离和函数距离分别如下：
由于超平面的大小对于SVM求解并不重要，重要的是其方向，所以根据SVM的定义,得到约束最优化问题：
现实当中我们无法保证数据是线性可分的，强制要求所有样本能正确分类是不太可能的，即使做了核变换也只是增加了这种可能性，因此我们又需要做折中，允许误分的情况出现，对误分的样本根据其严重性做惩罚，所以引入松弛变量，将上述问题变成软间隔优化问题。
新的优化问题：
如果选择：
那么优化问题变成：
损失函数
损失函数2 —— Hinge Loss
使用hinge loss将SVM套入机器学习框架，让它更容易理解。此时原始约束最优化问题变成损失函数是hinge loss且正则项是L2正则的无约束最优化问题：
下面我证明以上问题(1)和问题(2)是等价的(反之亦然)：
到此为止，SVM和普通的判别模型没什么两样，也没有support vector的概念，它之所以叫SVM就得说它的对偶形式了，通过拉格朗日乘数法对原始问题做对偶变换：
从互补松弛条件可以得到以下信息：
C越大表明你越不想放弃离群点
分类超平面越向离群点移动
当以上问题求得最优解后，几何间隔变成如下形式：
它只与有限个样本有关系，这些样本被称作支持向量，从这儿也能看出此时模型参数个数与样本个数有关系，这是典型的非参学习过程。
核方法
上面对将内积用一个核函数做了代替，实际上这种替换不限于SVM，所有出现样本间内积的地方都可以考虑这种核变换，本质上它就是通过某种隐式的空间变换在新空间(有限维或无限维兼可)做样本相似度衡量，采用核方法后的模型都可以看做是无固定参数的基于样本的学习器，属于非参学习，核方法与SVM这类模型的发展是互相独立的。
一些可以应用核方法的模型：
1.SVM
2.Perceptron
3.PCA
4.Gaussian processes
5.Canonical correlation analysis
6.Ridge regression
7.Spectral clustering
在我看来核方法的意义在于：
1、对样本进行空间映射，以较低成本隐式的表达样本之间的相似度，改善样本线性可分的状况，但不能保证线性可分；
2、将线性模型变成非线性模型从而提升其表达能力，但这种升维的方式往往会造成计算复杂度的上升。
往
期
推
荐