国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

支持向量機 ----- SVM

suosuopuo / 910人閱讀

摘要:簡述在統計學習方法中,這樣描述支持向量機,是一種二類分類模型,其基本模型定義為特征空間上的間隔最大的線性分類器,其學習策略便是間隔最大化,可形式化為一個凸二次規劃問題的求解。求將拉格朗日函數分別對求偏導數并令其等于。

簡述

在《統計學習方法》中,這樣描述:

支持向量機(support vector machines,SVM)是一種二類分類模型,其基本模型定義為特征空間上的間隔最大的線性分類器,其學習策略便是間隔最大化,可形式化為一個凸二次規劃(convex quadratic programming)問題的求解。
函數距離與幾何距離

函數間隔(function margin)定義:對于給定訓練數據集T和超平面$(w, b)$,定義超平面$(w,b)$關于樣本點$(x_{i},y_{i})$的函數間隔為$$widehat{gamma _{i}}=y_{i}(wcdot x_{i}+b)$$
定義超平面$(w,b)$關于數據集T的幾何間隔為超平面$(w,b)$T中所有樣本點$(x_{i},y_{i})$的函數間隔之最小值,即$$widehat{gamma}=minwidehat{gamma _{i}}$$
幾何間隔(geimetric margin)定義:對于給定訓練數據集T和超平面$(w, b)$,定義超平面$(w,b)$關于樣本點
$(x_{i},y_{i})$的幾何間隔為$$gamma _{i}=y_{i}(frac{w}{left | w ight |}cdot x_{i}+frac{b}{left | w ight |})$$
定義超平面$(w,b)$關于數據集T的幾何間隔為超平面$(w,b)$T中所有樣本點$(x_{i},y_{i})$的函數間隔之最小值,即$$gamma=mingamma _{i}$$
因為如果超平面參數$w$和$b$成比例改變,雖然超平面不變,但是函數間隔離變了。因此使用幾何間隔,并且令$left | w ight |=1$,下圖為《機器學習》中的一張插圖。

對偶問題

得到的目標函數如下
$$maxfrac{1}{left |w ight |} hspace{0.5cm} s.t., gamma_{i}(w^{T}+b)geq 1$$
$由于求frac{1}{left |w ight |}的最大值相當于求frac{1}{2}left |w ight |^{2}的最小值,所以上面的目標函數等價于$
$$minfrac{1}{2}left |w ight |^{2} hspace{0.5cm} s.t., gamma_{i}(w^{T}+b)geq 1$$


補充解釋
為了更好地理解接下來的內容,這里插入一段有關對偶性(duality)的補充。詳情請見這篇文章,已經清楚的伙伴可以跳過。

簡單來說,對于任意一個帶約束的優化都可以寫成這樣的形式:

$$ egin{aligned} min&f_0(x) s.t. &f_i(x)leq 0, quad i=1,ldots,m &h_i(x)=0, quad i=1,ldots,p end{aligned} $$

雖然約束條件能夠幫助我們減小搜索空間,但是如果約束條件本身就是比較復雜的形式的話,其實是一件很讓人頭痛的問題,為此我們希望把帶約束的優化問題轉化為無約束的優化問題。為此,我們定義 Lagrangian 如下:
$$L(x,lambda, u)=f_0(x)+sum_{i=1}^mlambda_if_i(x)+sum_{i=1}^p u_ih_i(x)$$
令:
$$z(x)=max_{lambdasucceq 0, u}L(x,lambda, u)$$
容易證明,對于滿足約束條件的 x,有$f_0(x)=z(x)$,因為約束條件$h_i(x)=0$,即式子最后一項為0,又因為$lambdageq 0$且約束條件$f_i(x)leq 0$,因此式子的第二項最大值為0,所以L的最大值即$z(x)=f_0(x)$.
所以,帶約束條件的原問題(primal problem)轉換為不帶約束條件的優化問題,即:
$$min_x z(x)$$
也即(記為$p^*$):
$$p^*=min_x max_{lambdasucceq 0, u} L(x, lambda, u)$$
因為如果原始問題有最優值,那么肯定是在滿足約束條件的某個 x? 取得,而對于所有滿足約束條件的$ x$ ,$z(x)$ 和 $f_0(x)$ 都是相等的。
這個原問題(primal problem)對偶問題(dual problem)將$min$和$max$調換了位置(記為$d^*$):
$$d^*=max_{lambdasucceq 0, u} min_x L(x, lambda, u)$$
可以證明$d^*leq p^*$,此這個性質叫做弱對偶(weak duality) ,對于所有的優化問題都成立。注意,無論原問題是什么形式,它的對偶問題總是凸優化問題(convex optimization)
強對偶(strong duality)即$d^*=p^*$,在SVM中滿足KTT(Karush-Kuhn-Tucker)條件,通過求解對偶問題間接求解原始問題。


根據上面的補充,繼續如下推導。
引入拉格朗日乘子(Lagrange multiplier)構造拉格朗日函數 ,( 其中拉格朗日乘子$alpha=(alpha_{1},alpha_{2},...alpha_{n})^{T}$ )
$$L(w, b, alpha)=frac{1}{2}left |w ight |^{2}-sum_{i=1}^nalpha _{i}(gamma_{i}(w^{T}+b)-1)$$
要求解:
$$ min_{w,b} max_{alpha_{i}succeq 0} L(w, b, alpha)=p^*$$
轉換為對偶問題:
$$ max_{alpha_{i}succeq 0} min_{w,b} L(w, b, alpha)=d^*$$

對偶問題求解
先求$L(w, b, alpha)$對 $w$,$b$的極小,再求對$alpha$的極大。

求$min_{w,b} L(w, b, alpha)$ :將拉格朗日函數$L(w, b, alpha)$分別對$w$,$b$求偏導數并令其等于0。

$$ abla_{w}L(w, b, alpha)=0 hspace{0.6cm}和 hspace{0.6cm} abla_{b}L(w, b, alpha)=0$$
得到
$$w=sum_{i=1}^nalpha_{i}y_{i}x_{i} hspace{0.6cm}和 hspace{0.6cm}sum_{i=1}^nalpha_{i}y_{i}=0$$
將上面兩式帶入拉格朗日函數L,得到:
$$min_{w,b} L(w, b, alpha)=-frac{1}{2}sum_{i,j=1}^nalpha_{i}alpha_{j}y_{i}y_{j}x_{i}^Tx_{j}+sum_{i=1}^nalpha_{i}$$

詳細推導補充如下:

接下來求$min_{w,b} L(w, b, alpha)$對 $alpha$的極大

$$ max-frac{1}{2}sum_{i,j=1}^nalpha_{i}alpha_{j}y_{i}y_{j}x_{i}^Tx_{j}+sum_{i=1}^nalpha_{i} s.t., alpha_{i}geq 0, i=1,...,n sum_{i=1}^nalpha_{i}y_{i}=0$$
將 $alpha^{*}=(alpha_{1},alpha_{2},...alpha_{n})^{T}$ 求解出來之后,即可求出 $w^{*}$ 和 $b^{*}$
$$w^{*}=sum_{i=1}^nalpha_{i}y_{i}x_{i}$$
$$b^{*}=y_{i}-sum_{i=1}^nalpha_{i}^{*}y_{i}(x_{i} cdot x_{j})$$
二次規劃求解可以使用更加優化的SMO(Sequential Minimal Optimization)替代,更加高效,暫時自己還沒有看懂,先放著。

補充

個人感覺SVM挺難理解的,前前后后參考了很多資料,感謝大神們的總結和指導,自己仍有不足,若有錯漏歡迎指出。有引用部分,侵刪。
參考如下:
1.SVM三重境界
2.《統計學習方法》 李航
3.支持向量機:Duality
4.《機器學習》 周志華

文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。

轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/41759.html

相關文章

  • 一個簡單的案例帶你了解支持向量算法(Python代碼)

    摘要:什么是支持向量機支持向量機是一種有監督的機器學習算法,可用于分類任務或回歸任務。支持向量機是一個最好地隔離兩個類超平面或者說分類線的前沿算法。接下來,我們將討論支持向量機如何工作。 showImg(https://segmentfault.com/img/remote/1460000019599694); 介紹 掌握機器學習算法并不是一個不可能完成的事情。大多數的初學者都是從學習回歸開...

    Jrain 評論0 收藏0

發表評論

0條評論

suosuopuo

|高級講師

TA的文章

閱讀更多
最新活動
閱讀需要支付1元查看
<