码迷,mamicode.com
首页 > 其他好文 > 详细

支持向量机的基本原理

时间:2019-03-19 20:07:41      阅读:224      评论:0      收藏:0      [点我收藏+]

标签:ima   mat   目标   条件   end   log   训练   想法   利用   

预备的数学知识

约束优化问题

原问题,带等式约束,也带不等式约束的一般约束问题
\[ \begin{cases} \min_{x}f(x)\s.t \begin{cases} m_i(x)>=0, i=1,..,m\n_j(x)=0,j=1,..,m\\end{cases} \end{cases}\tag{1} \]
构造lagrange乘子法
\[ L(x,\lambda_i,\eta_j)= f(x)-\sum_{i=1}^{m}\lambda_im_i(x)-\sum_{j=1}^{n}\eta_j \tag{2} \]

\[ \begin{cases} \min_{x} max_{\lambda_i,\eta_j} L(R^p)\s.t \lambda_i>=0 \end{cases} \]

上述两个问题的等价性证明

如果x不满足约束\(m_i(x)\),则\(\lambda_i>=0\),同时\(m_i(x)<\),则\(L(R^{p},\lambda,\eta)\)趋近无穷,反之,则存在最大值
\[ min_{x} max_{\lambda,\eta}=min_{x}(max f满足条件,max f不满足约束)\\=min_{x} max_{\lambda,\eta}{f满足条件} \]
对偶问题: 关于\(\lambda,\eta\)的最大化问题

\[max min L(x,\lambda,\eta)\s.t \lambda_i>=0\]

弱对偶问题:对偶问题<=原问题

证明: \(max_{x} min(\lambda \eta ) L<=min_{\eta,\lambda } max_{x} L\)
\[ \underbrace{\min_{x}L(x,\lambda,\eta)}_{A(\lambda,\eta)}<=L(x,\lambda,\eta)<=\underbrace{\max_{\lambda,\eta} L(x,\lambda,\eta)}_{B(x)} \]

分类

hard-margin SVM、 soft-margin SVM 、kernel SVM

线性可分支持向量机

技术图片

对于A子图,可以用一个超平面(\(w^Tx+b\))去分类两类数据,建立如下的数学模型

\[ f(w,b)=sign(w^Tx+b)\]

B,C,D子图提供了超平面都可以分类,显然B,C图的超平面的鲁棒性不如D图。SVM就是找到最好的一个超平面,怎么衡量好呢?找到平面离样本点的距离最大

hard-margin SVM: 最大间隔SVM

第一宝 间隔

首先,看下margin的定义

技术图片

\[ margin(w,b) = min(\frac{|w^Tx_i+b|}{||w||})\]

接下来

数学模型:

\[\begin{cases} \max margin(w,b)\\ st. y_i(w^Tx_i+b)>0\end{cases}\]

\[\Longrightarrow\begin{cases} max \frac{1}{||w||}min(y_i(w^Tx_i+b))\\ st. y_i(w^Tx_i+b)>0\end{cases}\]

注意,\(y_i(w^Tx_i+b)>0\),所以\(\exists r>0, min(y_i(w^Tx_i+b))=r\),可令\(r=1\),这是对超平面范数的固定作用,因为\(y=w^Tx+b\)\(y=2w^T+2b\)是同一个超平面,总能找到缩放\(w,b\)使得,可以将\(r\)缩放到1

\[\Longrightarrow\begin{cases} max \frac{1}{||w||}\\ st. y_i(w^Tx_i+b)>=1\end{cases}\]

\[\Longrightarrow\begin{cases} \min \frac{1}{2}w^Tw\\ st. y_i(w^Tx_i+b)>=1\end{cases}\]

这是一个土二次规划问题

第二宝 对偶

利用lagrange乘子法得出对偶问题

带约束

\[\begin{cases} \min \frac{1}{2}w^Tw\\ st. y_i(w^Tx_i+b)-1>=0\end{cases}\]

\[ \Longrightarrow L(w,b,\lambda)=\frac{1}{2}w^Tw-\sum_{i=1}^{N}\lambda_i(1-y_i(w^Tx_i+b)\]

无约束

\[ \begin{cases}min_{w,b} max_{\lambda}L(w,b,\lambda) \\ s.t \lambda_i>=0\end{cases}\]

此时关于\(w,b\)无约束的。

\((L(w,b,\lambda))\)\(w\),\(b\)求偏导
\[ \frac{\partial L}{\partial w}=w+\sum_{i=1}^{N}y_ix_i\lambda_i=0 \Longrightarrow w=-\sum_{i=1}^{N}y_ix_i\lambda_i\\frac{\partial L}{\partial b}=-\sum_{i=1}^{N}\lambda_iy_i=0 \]
带回\(L(w,b,\lambda)\),可得对偶问题

\[ \begin{cases} max_{\lambda}L(w,b,\lambda ) =-\frac{1}{2}\sum_i^N\sum_j^N\lambda_i \lambda_jy_iy_jx_i^Tx_j +\sum_i^N\lambda_i \\ s .t. \sum_{i=1}^N\lambda_iy_i,\lambda_i>=0\end{cases} \Longrightarrow\\\begin{cases} min_{\lambda}L(w,b,\lambda ) =\frac{1}{2}\sum_i^N\sum_j^N\lambda_i \lambda_jy_iy_jx_i^Tx_j -\sum_i^N\lambda_i \\ s .t. \sum_{i=1}^N\lambda_iy_i,\lambda_i>=0\end{cases}\]

原问题和对偶问题有相同解的充要条件

满足 KKT
\[ \begin{cases} \frac{\partial L}{\partial w}=0,\frac{\partial L}{\partial b}=0,\frac{\partial L}{\partial \lambda}=0\\lambda_i(y_i(w^Tx_i+b)-1)=0\\lambda_i>=0\y_i(w^Tx_i+b)-1>=0 \end{cases} \]
如果存在\((x_k,y_k)=+1or -1\)使得?\(y_i(w^Tx_i+b)-1=0\)即可求解\(b=y_k-\sum_{i=0}^{N}\lambda_ix_i^Tx_k\)

代入模型

\[ f(x)=sign(\sum_i^Na_iy_ix_i^Tx+y_k-\sum_{i=0}^{N}\lambda_ix_i^Tx_k)\]

注意,对于任意的训练样本,总有\(\lambda_i=0\)或者\(y_if(x_i)=1\),如果\(\lambda_i>0\),说明样本点落在最大间隔的边界上,这些点就是支持向量,这条边界\(w^Tx+b=1or-1\)

soft-marign 软间隔

想法:允许一部分样本可以不被正确分类

优化目标

\[ \min_{w,b} \frac{1}{2}w^Tw+loss \]

一些损失函数

  1. 0-1损失 个数

    \[loss=\sum_{i=1}^NI\{y_i(w^Tx+b)<1\}\]

    数学性质不好,不连续

  2. 0-1损失 距离 hinge loss
    \[ loss = \begin{cases} 0 , y_i(w^Tx_i+b)>=0,\1-y_i(w^tx_i+b), y_i(w^Tx_i+b)<1\\end{cases} \]

    \[ loss_{max} = max(0,1-y_i(w^Tx_i+b)=1-z) \]

    此时优化问题,令\(\xi_i=1-y_i(w^Tx_i+b)\)
    \[ \min \frac{1}{2}w^Tw+\sum_{i=1}^{N}\xi_i\s.t \begin{cases} y_i(w^Tx_i+b)>=1-\xi_i\\xi_i>=0 \end{cases} \]

  3. 指数损失(exponential loss )
    \[ l_{exp}(z)=exp(-z) \]

  4. 对率损失logistic loss
    \[ l_{log}(z)=log(1+exp(-z)) \]

技术图片

核方法

核函数的定义

\(\chi\)为输入空间(Input Space), \(\mathrm{H}\)为特征空间(Feature Space,一定是希尔伯特空间),存在一个映射
\[ \varphi : \chi \rightarrow \mathrm{H} \]
对任意的 \(x, y \in \mathrm{X}\),函数 \(K(x, y)\),满足
\[ K(x, y)=<\varphi(x), \varphi(y)> \]
则称 \(K(x, y)\)为核函数。可以看出,我们并不需要知道输入空间和特征空间满足的映射关系 ,只需要知道核函数就可以算出,输入空间中任意两点映射到特征空间的内积。

支持向量机的基本原理

标签:ima   mat   目标   条件   end   log   训练   想法   利用   

原文地址:https://www.cnblogs.com/xiemaycherry/p/10560865.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!