标签：svm   model   深度   应该   区别   参考   组合   定义   梯度下降   

遵循统一的机器学习框架理解SVM

一、前言

1. 我的博客不是科普性质的博客，仅记录我的观点和思考过程。欢迎大家指出我思考的盲点，更希望大家能有自己的理解。
2. 本文参考了李宏毅教授讲解SVM的课程和李航大大的统计学习方法。

二、理解

统一的机器学习框架(MLA)：

1.模型(Model)
2.策略(Loss)
3.算法(Algorithm)

按照如上所说框架，SVM最核心的就是使用了 Hinge Loss 和 核方法 。

SVM: Hinge Loss + Kernel Method

Model

给定数据集 \((x^1,\hat{y}^1),(x^2,\hat{y}^2)...(x^n,\hat{y}^n)\)，其中\(\hat{y}^i\in\{1,-1\}\)，且线性函数：
\[f(x)=w^Tx+b\]

\[y=\begin{cases} 1,\quad &f(x)>0\-1, &f(x)<0 \end{cases}\]
同时：
当 \(\hat{y}=1\) 时，\(f(x)\)越大越好； \(\hat{y}=-1\) 时，\(f(x)\)越小越好。
综合来说即：\(\hat{y}f(x)\) 越大越好。

Loss

结构风险最小化：经验风险+正则项

经验风险

上面说到我们希望 \(\hat{y}f(x)\) 越大越好，也就是当 \(\hat{y}f(x)\) 越大时，损失应该越小（Large Value, Small Loss）。
1.考虑使用 \(sigmoid + cross\ entropy\) 的损失函数:
\[\hat{y}=\begin{cases} +1,\; &f(x)>0\; &\sigma(f(x))\longrightarrow 1, &Loss=-ln(\sigma(f(x)))\-1,\; &f(x)<0\; &\sigma(f(x))\longrightarrow 0, &Loss=-ln(1-\sigma(f(x))) \end{cases}\]
考虑到 \(1-\sigma(f(x))=1-\frac{1}{1+exp(-f(x))}=\frac{1}{1+exp(f(x))}=\sigma(-f(x))\)
\[Loss = -ln(\sigma(\hat{y}f(x)))=ln(1+exp(-\hat{y}f(x))) \]

这个就是西瓜书中的对率损失。
2.使用Hinge Loss损失函数：
使用对率损失时，希望\(\hat{y}f(x)\)越大越好，好上加好，永无止境的那种。
换一种角度看，假如我们希望 \(\hat{y}f(x)\) 做的足够好就可以了，也就是说当 \(\hat{y}f(x)>1\) 时，我们认为它已经做的足够好了，此时损失就为0了。

题外话：Hinge Loss就好像横向学习，很多时候我们需要学习很多领域的知识，此时大概知道、了解就行；对率损失就像纵向学习，在自己的领域需要钻研，好上加好。

\[Loss = max(0,1-\hat{y}f(x))\]

正则项

\[\frac{1}{2}||w||^2\]
综上所述,最终的损失函数：
\[Loss = \frac{1}{2}\lambda||w||^2 + \sum_{i=1}^n max(0,1-\hat{y}^i f(x^i))\]

注意到Loss中正则项是凸函数，经验损失项也是凸函数，直接用梯度下降法就可以求解。

Algorithm

梯度下降法

\[\frac{\partial L}{\partial w} = \lambda w+ \sum_{i=1}^n -\delta(\hat{y}^i f(x^i) < 1)\hat{y}^i x^i\]

\[\frac{\partial L}{\partial b} = \sum_{i=1}^n -\delta(\hat{y}^i f(x^i) < 1)\hat{y}^i\]

其中\(\delta(\hat{y}^i f(x^i) < 1)\)是指示函数。

\[w^{k+1}=w^k-\eta(\lambda w^k+ \sum_{i=1}^n -\delta(\hat{y}^i f(x^i) < 1)\hat{y}^i x^i)\]

\[b^{k+1}=b^k-\eta(\sum_{i=1}^n -\delta(\hat{y}^i f(x^i) < 1)\hat{y}^i)\]

总结

到目前位置所做的事就是：对于一组给定的数据，找到一个超平面划分它们，进行分类，且要求尽可能做的好（策略是HingeLoss）。考虑到在当前维度或者空间可能做的不是很好（可分性不是很好），可以把这些数据点变换空间或者升维，在另一个空间具有更好的可分性，这样可以把当前任务做的更好。

\[z = \phi(x) \]

z表示对x进行变换后的形式（可以是高维空间，也可以是低维空间），此时再使用上面所说的方法

\[Loss = \frac{1}{2}\lambda||w||^2 + \sum_{i=1}^n max(0,1-\hat{y}^i f(z^i))\]

\[Loss = \frac{1}{2}\lambda||w||^2 + \sum_{i=1}^n max(0,1-\hat{y}^i f(\phi(x^i)))\]

不足之处：对x进行变换后得到z，首先我们需要计算得到z，再进行后续的计算，当升维后z的维度很大，此时虽然可分性增加了，但是计算量会大大增加，而且对于特殊情况，比如z是无限维时，z根本就无法计算出来，由此引出核方法。

扩展

1. 对于一个深度神经网络做二分类任务，一般我们使用交叉熵作为损失函数，假如把损失函数替换为hingeloss，则就是深度学习版的SVM。
2. 把深度神经网络的前n-1层看作一个特征变换层，最后一层看作分类层，与我们总结中说的就非常相似了，把 \(x\) 进行转换，再进行分类。不同点在于：我们所说的SVM这个变换的函数是我们定义的，是确定的，而Deep Learning里的转换函数是不定的，是通过数据学出来的。
   总的来说，SVM和深度学习分类任务遵循统一的思想，从本质上来说没必要区分它们。

三、对偶形式

写出对偶形式的目的是：将 \(w,b\) 表示为数据点的线性组合，这样可以把 \(\phi(x^i)\phi(x^j)\) 这种在高维空间的计算转换成成 \(\kappa(x^i,x^j)\) 在低维空间计算，再通过核函数直接得到最终的值的方式。
隐含的思想是：我并不需要了解中间的过程（升维后的值），只需要得到他们之间的关系就行（核函数），核函数 \(\kappa\) 就表示了这种关系。

根据 \(w,b\) 的求解公式的特性，当 \(w^0=0,b^0=0\) 时，容易看出 \(w,b\) 是给定数据点的线性组合(Linear Combination)
\[w = \sum_{i=1}^n \alpha_i \hat{y}^i x^i\]

\[b = \sum_{i=1}^n \beta_i \hat{y}^i\]

\[\alpha_i= \eta\{(1-\eta \lambda)^k \delta(\hat{y}^i (w^Tx^i+b<1))_{w,b->0}+(1-\eta \lambda)^{k-1} \delta(\hat{y}^i (w^Tx^i+b<1))_{w,b->1}+...\\+(1-\eta \lambda)^0 \delta(\hat{y}^i (w^Tx^i+b<1))_{w,b->k}\}\]

\[\beta_i= \eta\{\delta(\hat{y}^i (w^Tx^i+b<1))_{w,b->0}+ \delta(\hat{y}^i (w^Tx^i+b<1))_{w,b->1}+...\\+ \delta(\hat{y}^i (w^Tx^i+b<1))_{w,b->k}\}\]

这里要区别于感知机，因为在此处有正则项，\(\lambda > 0\),假如 \(\lambda=0\) 时，则 \(\alpha_i=\beta_i\)

此时：

\[f(x) = w^Tx+b= (\sum_{i=1}^n \alpha_i \hat{y}^i x^i)^{T}x+\sum_{i=1}^n \beta_i \hat{y}^i\]

\[f(x) = w^Tx+b= (\sum_{i=1}^n \alpha_i \hat{y}^i z^i)^{T}z+\sum_{i=1}^n \beta_i \hat{y}^i\]

\[f(x) = w^Tx+b= \sum_{i=1}^n \alpha_i \hat{y}^i \kappa (z^i,z)+\sum_{i=1}^n \beta_i \hat{y}^i\]

遵循统一的机器学习框架理解SVM

标签：svm   model   深度   应该   区别   参考   组合   定义   梯度下降   

原文地址：https://www.cnblogs.com/SpingC/p/11619814.html