标签：blank 之间 面向 imp 解释 sum dom target cto
算法分类：监督算法，分类算法
SVM是分类算法中比较特殊的一种，它并不像LR算法那样使用到所有数据进行模型训练，SVM虽然也使用了全部数据，但是绝大部分数据只参与约束条件的限制，不参与最终模型参数的训练。SVM的目标是分类最大化分类间隔，何为最大化分类间隔，将在下面的内容解释。
涉及到的名词有：分割超平面，决策边界，分类间隔，支持向量（support vector）
了解这几个名词即了解了SVM算法的构建思路。
在分类问题中，通过模型对数据类别进行预测，线性模型是通过线性函数$w^{T}x + b$来预测数据的类别，在坐标图中$w^{T}x + b=0$这个平面（线）将数据分为两部分，每一部分代表一种类别；这里的$w^{T}x + b=0$平面即分割超平面。
值得注意的是分割超平面不一定只有一个，如下图，分割超平面其实可以有无数个：
将分割超平面沿着其垂直线的方向平移，当接触到第一个数据时停止，此时会得到两个停止的超平面，这两个超平面即模型的决策边界。
下图中两个虚线即分割超平面向两个方向平移后得到的决策边界。
分类间隔即决策边界两个平面之间的距离。
是数据集中最接近分割超平面的数据，支持向量是分割超平面向两边移动的时候最先触碰到的几个数据点，正分类那一边最接近分割超平面的称为正支持向量，分类为负的你那一边最接近分割超平面的数据称为负支持向量。
SVM算法的目标是：在保证分类正确的基础上，最大化分类间隔。
最终结论就是：SVM算法就是在满足正确分类条件下，找到分类间隔最大的分割超平面。
假设（w,b）参数的线性函数能够正确的对数据进行分类，即对样本数据中$y^{(i)}=1$时$w^{T}x^{(i)}+b>0$,而对$y^{(i)}=-1$时$w^{T}x^{(i)}+b<0$。
使用决策边界的思维，我们不将0作为分类的临界点，而是将±1作为分类的临界点，则有:
$y^{(i)}(w^{T}x+b)\geq 1\\$
可知正决策边界上的$w^{T}x+b$的值为1，负决策边界上的$w^{T}x+b$值为-1,所以根据距离公式可以得出决策边界之间的距离即：
$\frac{2}{\left \| w \right \|}\\$
SVM算法就是在满足正确分类条件下，找到分类间隔最大的分割超平面这句话用数学表示即为：
$max \frac{2}{\left \| w \right \|}
\\
s.t.\, \, \, y^{(i)}(w^{T}x+b)\geq 1,i=1,2,\cdots n \\$
等同于
$min \frac{1}{2}\left \| w \right \|^{2}$
$s.t.\, \, \, y^{(i)}(w^{T}x+b)\geq 1,i=1,2,\cdots n \\$
上面即SVM算法的基本型；这里就解释清楚了之前提到的SVM算法训练并未使用所有的训练数据，实际上只是用了支持向量，剩下的其他训练数据只要满足约束条件就可以了,并不参与到模型的参数训练。
求解带约束的优化问题是SVM中比较难的部分，有约束的优化算法这篇博文介绍的比较详细；
SVM算法有5篇博文专门详细解释了SVM算法的推导部分，不过比较难，涉及到较多数学知识。
前面的讨论中一直假定原始数据时线性可分的，实际问题中更多的是无法完美线性可分的，故需要允许SVM在一些样本上出错，由此引入软间隔概念。
软间隔也可以消除一些极端数据引起的过拟合问题。
软间隔引入了松弛变量这个概念，即放宽了对算法的约束条件，公式表达如下：
$w^{T}x^{(i)}\geqslant 1\, \, if\, \, y^{(i)}=1-\xi ^{(i)}$
$w^{T}x^{(i)}< -1\, \, if\, \, y^{(i)}=-1+\xi ^{(i)}$
由此，新的目标函数最小化公式如下：
$\frac{1}{2}\left \| w \right \|^{2}+C(\sum \xi ^{(i)})$
通过变量C，可以控制对错误分类的处罚力度，C较大时，分类出错会有很大的惩罚，C较小时，更加容易容忍分类错误。
使用scikit-learn库中提供的类可以很方便的实现SVM算法：
from sklearn.svm import SVC svm = SVC(kernal="linear",C=1.0,random_state=0) svm.fit(X_train,y_train)
标签：blank 之间 面向 imp 解释 sum dom target cto
原文地址：https://www.cnblogs.com/sienbo/p/11417877.html
