SVM发展史#
线性SVM=线性分类器+最大间隔#
间隔(margin):边界的活动范围。The margin of a linear classifier is defined as the width that the boundary could be increased by before hitting a data point.
预备知识#
-
线性分类器的分割平面(超平面):
Wx+b=0
- 点到超平面的距离:,其中
- SVM中正样本定义为g(x)>=1,负样本定义为g(x)<=-1
- SVM中Wx+b=1或者Wx+b=-1的点称为支持向量
间隔的形式化描述#
SVM通过最大化M
来求解参数W
和b
的,目标函数如下:#
求解 :拉格朗日乘数法,偏导为0后回带#
在SVM中,原问题和对偶问题具有相同的解,W已经求出:, 不等式约束,还需要满足KKT条件。若,则必有xi为支持向量,即:训练完毕后,最终模型仅和支持向量有关。
b的求解过程如下
一个实例#
软间隔:加入容错量#
同样采用拉格朗日乘数法求解#
LD的区别仅仅体现为的约束不同。
非线性SVM:特征空间#
通过映射到高维空间来将线性不可分的问题转换为线性可分的问题。
高维空间向量内积运算复杂度高。以二次型为例,直接计算#
,直接计算的话,复杂度会成倍增加。
以二次型为例,理解核技巧#
通过在低维空间的计算o(m),得到高维空间的结果,不需要知道变换是什么,更不需要变换结果的内积,只需要知道核函数,就可以达到相同的目标。(变换结果的内积)
请看实例,二维空间#
常用的核函数#
多项式变换中,当d=2时,就是二次型变换。
此时w和b的结果如下:#
将换为,将换为,其余都不变,真的很简洁。
SVM在Scikit-Learn中的应用#
- Linear SVM:
LinearSVC( penalty='l2', C=1.0,#就是目标函数的C,C越大(eg:1e9),容错空间越小,越接近硬边界的SVM(最初的SVM,基本不用),C越小(eg:C=0.01),容错空间越大,越接近soft Magin. )
-
核函数 SVM:
from sklearn.svm import SVC
SVC( C=1.0, kernel='rbf', degree=3,#多项式核函数的指数d gamma='scale',#高斯基函数中的参数gamma,越大,函数分布越狭窄; gamma越小,决策边界越松弛,当很小时,可以认为趋于无穷大成一条直线了,这时就欠拟合了。gamma取值越大,决策边界越收紧,当很小时,会无限包紧样本点,这时就过拟合了。 )