码迷,mamicode.com
首页 > 其他好文 > 详细

1.2 linear SVM 推导

时间:2015-05-13 18:54:02      阅读:122      评论:0      收藏:0      [点我收藏+]

标签:

技术分享

1.将公式中的distance具体化
将$w_0$单独抽出作为$b$,$w=(w_1,...,w_n),x=(x_1,...,x_n)$
则分割平面为:$w^Tx+b=0$
A.证明w为法向量
    设两点$x‘,x‘‘$都在平面上,所以有
    $w^Tx‘=w^Tx‘‘=-b$
    $w^T(x‘-x‘‘)=0$
    可以知道$x‘-x‘‘$是平面上的一个向量,$w$和它垂直,所以为法向量
B.距离表示为x-x‘到法向量的投影,同时使用第一个限制条件
    $distance=|\frac{w^T(x-x‘)}{||w||}|=|\frac{w^Tx+b}{||w||}|=\frac{1}{||w||}y_n(w^Tx+b)$
 
技术分享
2.使用放缩,简化条件
  因为$w^Tx+b=0$和$3w^Tx+3b=0$表示同一个平面,适当放缩w和b
  使 $\min\limits_{n=1,...,N} y_n(w^Tx+b) = 1$,则$margin(b,w)=\frac{1}{||w||}$
  此时下方限制条件使最小的等于0,已经保证上方的条件,所以上方可省略
 
技术分享
3.放松限制条件,去除min
A.变换条件,解不变
   变条件为$y_n(w^Tx+b)\geq 1$
   假设此时在$y_n(w^Tx+b)$上取得最优(b,w),
   比如是在$y_n(w^Tx+b)=1.26$取得最优解,此时放缩(b,w)为$(\frac{b}{1.26},\frac{w}{1.26})$,
   此时由于w变短,所以得到更好的解
   因此,最优解不能在大于1的地方获得,最优解保持一致
B.变换max为min,并去除根号
 
技术分享

 

1.2 linear SVM 推导

标签:

原文地址:http://www.cnblogs.com/porco/p/4501083.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!