SVM初学

一、            一点基础数学知识

如今硕士都快毕业了，反而将自己的很多数学知识忘的几乎相同了。所以。如今决心再捡起来。以补齐自己的数学短板。为以后的研究做好铺垫吧。如今结合自己学习SVM、MLC、ANN等机器学习方法来回想曾经的数学知识以及补充新的数学知识。

在SVM中，首先面临的问题是计算样本点到分类超平面的距离。如今就从最简单的点到直线的距离、点到平面的距离等内容開始回想。

1）  点到直线的距离计算公式

如果直线L的方程为：

那么。点（x₀,y₀）到直线L的距离为d

如点（2,2）到直线2x-y+1=0的距离为：

  几何示意图例如以下：

2)点到平面的距离

如果平面P的方程为 ,则点（X₀,Y₀,Z₀）到平面P的距离d为：

几何示意图例如以下。

对于高维空间。如果存在超平面f(x)=W*X+b，那么样本点到超平面的相对距离距离能够用 来表示。可是，这并非严格的定义。在确切的描写叙述高维空间中，点到超平面的距离之前。首先要引入向量、范数等数学知识加以描写叙述。

3）向量内积（点积或者数量积）

如果有a=[a0,a1,a2,a3,…,an],和向量b=[b0,b1,b2,b3,…,bn]，则向量a与向量b之间的内积为：a.b=a0b0+a1b1+a2b2+a3b3+…+anbn=|a||b|cosθ=a*b^T, θ为向量a与向量b之间的夹角,T表示矩阵转置运算.

4）向量叉积（向量叉乘）

a×b=|a||b|sinθ,θ为向量a与向量b之间的夹角。其运算结果是一个向量而不是标量。

如果a=(ax,ay,az),b=(bx,by,bz)

为了便于记忆，利用三阶行列式，写成

则:

a×b=（aybz-azby）i+(azbx-axbz)j+(axby-aybx)k=( aybz-azby, azbx-axbz,axby-aybx)

    5）范数

定义：范数(norm)是数学中的一种基本概念。在泛函分析中，范数是一种定义在赋范线性空间中函数，满足对应条件后的函数都能够被称为范数。是具有“长度”概念的函数。在线性代数、泛函分析及相关的数学领域，范函是一个函数。其为矢量空间内的全部矢量赋予非零的正长度或大小。半范数反而能够为非零的矢量赋予零长度。

对于向量v,向量的长度（范数）为非负数

如果v是 实数域中的向量。 ,假设v与二维平面上的点（a，b）相应，那么范数 的几何意义为二维平面上原点到点（a,b）的直线距离。

有了范数的概念，我们便能推导点到超平面的距离（SVM中的几何间隔）。

上图所看到的，对于一个点x ，令其垂直投影到超平面上的相应的为x0 ，因为w是垂直于超平面的一个向量（即超平面的一个法向量）。 为样本x到分类间隔的距离，我们有：

当中。 即为范数。 即为超平面的单位法向量。

我们在此将上式代入超平面方程进行推导：

由于，x0为超平面上的点，满足f(x0)=0

因此：

又由于 ，因此：

至此，我们推导了点到超平面的几何距离。

可是，回到SVM中。因为SVM中超平面存在方向性，即在超平面的左側或者右側。其函数值存在正负。因此。我们还须要对上述的几何距离的定义加以约束。通俗点说，就是f(x)的取值有正有负，但距离必须是正的，所以。在SVM中，因为採用类别标签（+1，-1）来表示分类的类别属性。因此定义

    因此，在SVM中，其几何间距（Geometrical Margin）

从这也能够看出，对于二分类问题，SVM为什么习惯将类别标签默觉得（+1。-1）。