码迷,mamicode.com
首页 > 其他好文 > 详细

SVM学习笔记-线性支撑向量机

时间:2017-08-13 23:21:35      阅读:284      评论:0      收藏:0      [点我收藏+]

标签:alt   near   sso   直线   south   tin   误差   scan   衡量   

最大间隔超平面

线性分类器回顾

当数据是线性可分的时候,PLA算法可以帮助我们找到能够正确划分数据的超平面hyperplane,如图所示的那条线。

技术分享

哪一条线是最好的?

技术分享

  • 对于PLA算法来说,最终得到哪一条线是不一定的,取决于算法scan数据的过程。
  • 从VC bound的角度来说,上述三条线的复杂度是一样的 
    Eout(w)Ein0+Ω(H)dvc=d+1

直观来看,最右边的线是比较好的hyperplane。

为什么最右边的分隔面最好?

对于测量误差的容忍度是最好的。例如对于每张图片中左下角的样本点,当未来要判定与该点非常接近的点(有可能它们的feature本来就是一样的,只不过因为测量的误差的存在,所以feature变得有点不同了)的label的时候,最右边的hyperplane对这些误差会有最大的容忍度。

tolerate more noise ? more robust to overfitting 
当对测量误差有更大的容忍度的时候,就能更加避免过拟合的情况出现。 
所以我们想要找的超平面就是能够更大的容忍测量误差的超平面。直观上来说,就是找这样的一个超平面,离这个超平面最近的点的到这个超平面的距离也是很大的。

技术分享

“胖”分割面

如下图所以,我们想要找的是“最胖”的那条线。

技术分享

最大间隔分类超平面

 

maxwsubject to fatness(w)w classifies every (xn,yn) correctlyfatness(w)=minn?1,?,N distance(xn,w)

 

即我们要找一条线w,首先这条线要正确的划分每一个实例(w classifies every (xn,yn) correctly)。其次这条线要是最”胖”的(maxw fatness(w))。线w的”胖”的衡量方法是:到所有的点中距离最近的点的长度作为该wfatness(胖瘦程度)。一句话:线

  • fatness: 正式的表达为margin
  • correctness: 要求yn=sign(wTxn)

上述的表达可以进一步数学化为: 

maxwsubject to     margin(w)  every   ynwTxn>0margin(w)=minn?1,?,N distance(xn,w)

 

goal: 找最大间隔(margin)的分类超平面


最大间隔问题

点到超平面的距离

上面提到了我们要找最“胖”的线,这里涉及到了一个距离的计算。那么怎么算一个点x到平面wTx+b=0的距离。

技术分享

考虑在平面上的两个点x,x′′, 那么有 

wTx=?b,   wTx′′=?b


两式相减: 

wT(x′′?x)vector on hyperplane=0


所以可以得到w是该平面的法向量。(x′′?xw)。

 

那么x到平面的距离公式如下(投影): 

distance(x,b,w)=|wT||w||(x?x)|=1||w|||wTx+b|


其中,b,w代表平面。距离即是求x?xw上投影的长度。第二步化简用到wTx=?b

 

到分隔超平面的距离

上一节中推导了点到平面的距离计算方法, 

distance(x,b,w)=1||w|||wTx+b|


对于我们最终想要得到的分隔超平面,我们可以得到如下的结果: 

yn(wTxn+b)>0


那么任意一个点到分隔超平面的距离可以变为: 

distance(xn,b,w)=1||w||yn(wTxn+b)


即我们想要做的事情变为: 

maxw.bsubject to    margin(w,b)  every   yn(wTxn+b)>0margin(w,b)=minn=1,?,N  1||w||yn(wTxn+b)

 

我们最终想要找的是一个hyperplane,也就是wTx+b=0(我们现在在选择它的系数wb)。情况是这样的: wTx+b=03wTx+3b=0是没有什么差别的,只是进行了系数的放缩,其实是一个超平面,在二维就表示一条直线。那么在这里我们考虑一个很特别的放缩使得: 

minn=1,?,N  yn(wTxn+b)=1


这样的放缩总是可以做到的。这样的话: 

margin(w,b)=1||w||


原来的问题变为: 

maxw.bsubject to    1||w||  every   yn(wTxn+b)>0minn=1,?,N  yn(wTxn+b)=1

 

进一步可以变为:

 

maxw.bs.t.   1||w||    minn=1,?,N  yn(wTxn+b)=1


条件minn=1,?,N  yn(wTxn+b)=1包括every   yn(wTxn+b)>0, 所以后者可以去掉。

 

最大间隔问题

我们进一步得到了描述比较简单的间隔最大化问题的需求。 

maxw.bs.t.   1||w||    minn=1,?,N  yn(wTxn+b)=1


现在的目标是要把条件中的min操作去掉。我们将条件minn=1,?,N  yn(wTxn+b)=1放宽至:for all n都有yn(wTxn+b)1。现在我们担心的问题是:原来的条件要求最小的yn(wTxn+b)等于1, 而现在要求所有的yn(wTxn+b)大于等于1。那么在新的条件下会不会正好存在这样的w使得所有的yn(wTxn+b)都大于1了,这样我们放宽条件就出了问题,因为求得的解不在满足原来的条件了。 
以下将证明,即使放宽了条件,最佳解依然满足minn=1,?,N  yn(wTxn+b)=1 
反证法: 
如果最佳解(w,b)使得所有的yn(wTxn+b)都是大于1的, 例如yn(wTxn+b)1.126, 那么我们进行一下缩放可知(w1.126,b1.126)也是放松后问题的解。但是此时w1.126显然比w会有更大的1||w||。 所以假设:最佳解(w,b)使得所有的yn(wTxn+b)都是大于1, 是错误的。板面的做法和配料

 

现在问题的形式变为: 

maxw.bs.t.   1||w||      yn(wTxn+b)1 for all n

 

变为最小为问题: 

minw.bs.t.   12wTw      yn(wTxn+b)1 for all n

 


支撑向量机

 

minw.bs.t.   12wTw      yn(wTxn+b)1 for all n

 

一个特例

技术分享

图中的样本点featurelabel信息如下: 

X=?????02230200?????,Y=??????1?1+1+1?????

 

根据最优化问题的要求我们需要满足一下4个条件: 

?2w1?2w22w13w1?b1?b1+b1+b1(i)(ii)(iii)(iv)

 

  • (i) and (iii)?w1+1
  • (ii) and (iii)?w2?1 
    根据以上的两个式子可以得到: 
    12wTw1 
    所以我们可以令w1=1,w2=?1,b=?1。这样的话不仅仅满足了条件(i)(iv),也使得target function取得了最小的值1。其中b的值可以通过计算一个范围得到。这样我们就得到了我们最想要的hyperplane:gsvm:x1?x2?b=1。这就是我们想要找的支撑向量机。 
    此时margin=1||w||=12√。 
    技术分享

我们可以看到有一些离hyperplane很近的点,也就是如图用方框框起来的那些点。这些点就可以确定我们想要的hyperplane,我们把这些点叫做Support Vector。可以理解为这些支撑向量就可以确定我们想要的分割超平面,而不需要其他的点。

SVM的一般解法

 

minw.bs.t.   12wTw      yn(wTxn+b)1 for all n

 

通过分析可知,我们想要最小化的问题是个w的二次函数,该问题的条件是w的线性一次式。我们把这样的问题叫做二次规划(Quadratic programming) 
所以我们的一个解法是将我们的问题表示为二次规划的标准形式,然后就可以调用二次规划的包进行运算。

标准的二次规划问题

 

optimalu?minusubject toQP(Q,p,A,c)12uTQu+pTuaTmcmfor m=1,2,?,M

 

所以我们要确定其中的系数Q,p,A,c 

u=[bw];Q=[00d0TdId];p=0d+1aTN=yn[1xTn];cn=1;M=N

 

线性可分的硬间隔SVM算法

使用二次规划解决SVM

  1. 表示为规范的QP问题,Q,p,A,c
  2. w,b?QP(Q,p,A,c)
  3. return w,b as gsvm

note:

    1. hard-margin:表明我们坚持要将正例和负例完全的分开。
    2. linear:表明我们是在使用x来训练SVM,我们得到的是在X空间中的分割超平面。而没有经过任何的特转换
    3. 所以如果我们想要一个非线性的hyperplane,可以使用z=Φ(x)

SVM学习笔记-线性支撑向量机

标签:alt   near   sso   直线   south   tin   误差   scan   衡量   

原文地址:http://www.cnblogs.com/xxr1/p/7355173.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!