SVM 支持向量机
1. SVM 基本模型
1.1 线性可分问题
给定一个训练样本集 \(D = \{(x_1, y_1), (x_2, y_2), ... , (x_n, y_n)\}, \; y_i \in \{-1, +1\}\)。假设两个点集 \(D_0\) 和 \(D_1\),且 \(D_0 \subset D, D_1 \subset D\) , 若存在一个 \(d\) 维向量 \(w\) 和实数 \(b\),使得对于所有属于 \(D_0\) 的样本点 \(x_i\) 都有 \(wx_i + b > 0\) 同时 对于所有属于 \(D_1\) 的样本点 \(x_j\) 都有 \(wx_j + b < 0\),那么称 \(D_0\) 和 \(D_1\) 线性可分。
简单得说,就是最佳划分,能够使得 \(D\) 中的样本点分为两个类别。
1.2 划分超平面
有时候问题是二维甚至是多个维度的,而这样一个划分,通常被称为 划分超平面。在样本空间中,划分超平面 可通过如下线性方程去描述:
其中 \(w = [w_1; w_2; ... ; w_d]\) ,\(w\) 决定了超平面的方向;\(d\) 为偏移量,决定了超平面与原点之间的距离。
显然在样本空间 \(D\) 中的任意点 \(x\) 到超平面的距离可以用以下公式来描述:
记为 \((w, b)\)
其中 \(||w|| = \sqrt{\sum_{i=1}^{d}w_i^2}\),即向量的 L2 范数。
划分超平面 所产生的分类结果是最具鲁棒性的,对未见示例的泛化能力最强。
1.3 支持向量
假设超平面 \((w, b)\) 能够将训练集 \(D\) 进行正确分类,且有距离 \(\text{dist}\) ,使得每一个样本点 \((x_i, y_i) \in D\),当 \(y_i = +1\) 时,\(w^Tx + b \ge \text{dist}\) ;当 \(y_i = -1\) 时,\(w^Tx + b \le \text{dist}\) 。
由于 \(||w||\) 和 \(\text{dist}\) 都满足 大于 0(当然有可能时无限趋近于0的),可以令:
可以将上述方程组合并:
距离超平面 最近 的几个训练样本点使得上述不等式 等号成立,这些点被称为 支持向量 。
两个 不同类支持向量 到超平面的距离之和为:
\(\gamma\) 也被称之为 间隔 (\(\text{margin}\))
1.4 最大化间隔
\(\text{SVM}\) 要解决的,就是找到 最大间隔的划分超平面 \((w, b)\),即找到最优参数 \(w\) 和 \(b\) 使得 间隔 \(\gamma\) 最大。
形式化表述为:
显然,为了最大化间隔(\(\text{margin}\)),只需最大化 \(||w||^{-1}\),也即 最小化 \(||w||\)。
那么为了方便计算,我们往往会除去的根号,转换成 最小化 \(||w||^2\) 的最优化问题。可以形式化表述为:
这就是基本的 支持向量机 \(\text{SVM}\) (\(\text{Support} \; \text{Vector} \; \text{Machine}\)) 模型。
2. 对偶问题
2.1 拉格朗日乘子法求解SVM
前面了解了 最大间隔划分超平面,令:
对于上面的 最大化间隔 问题,也即 最小化 \(||w||^2\) 问题,使用 拉格朗日乘子法 得到其 对偶问题 (\(\text{dual} \; \text{problem}\))。
具体来说,对上面的问题中的每条约束添加 拉格朗日乘子 \(\alpha_i \ge 0\),则此问题的 拉格朗日函数 可写为:
其中 \(\alpha = [\alpha_1; \alpha_2, ... , \alpha_n]\)
令 \(L(w, b, \alpha)\) 对 \(w\) 和 \(b\) 的偏导为 \(\text{0}\):
可得
将上面的等式带入 \(L(w, b, \alpha)\)
由此可以得到 对偶问题:
解出 \(\alpha\) 后,求出 \(w\) 和 \(b\) 即可得到 最大间隔划分超平面:
对于对偶问题解出的 \(\alpha_i\),称为 \(L(w, b, \alpha)\) 中的 拉格朗日乘子,对应每一个样本 \((x_i, y_i)\)。
上述过程满足 \(\text{KKT}\) 条件:
对于任意样本 \((x_i, y_i) \in D\),总有 \(\alpha_i = 0\) 或者 \(y_if(x_i) = 1\)。
当 \(\alpha_i = 0\),则不会对 \(f(x_i)\) 造成任何影响;当 \(\alpha_i > 0\),此时必有 \(y_if(x_i) = 1\),即样本点在最大间隔的边界上,也就是一个 支持向量 。
3. SVM 与 核函数
3.1 线性不可分问题
前面我们讨论了SVM求解线性可分问题,然而显示生活中,样本往往是 线性不可分的,即原本的样本空间不存在一个可以正确划分两类样本的划分超平面。
对于 线性不可分 问题,可以将样本空间映射到一个 更高维度 的空间,使得样本在此特征空间内线性可分。
原始样本空间是 有限维 的,那么 一定存在一个高维度空间使得样本可分。
3.2 对偶问题(线性不可分)
令 \(\phi(x)\) 为 \(x\) 映射到高维空间的特征向量,则 特征空间的划分超平面 可以表示为:
其对应的 对偶问题 为:
3.3 核函数的作用
在上面求解式中涉及到计算 $\phi(x_i)^T\phi(x_j) $,由于特征空间维数可能很高,计算往往会非常困难。
所以这里可以设想一个函数:
即 \(x_i\) 和 \(x_j\) 在 特征空间的内积等于它们在原始的样本空间中通过 函数 \(\kappa\) 计算得出的结果。这就避免了高维度的计算。
由此 对偶问题 可以重写为:
求解后得到:
此处的 \(\kappa\) 其实就是所谓的 核函数。
未完待续...