直观详解支持向量机SVM
Posted 机器学习算法与自然语言处理
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了直观详解支持向量机SVM相关的知识,希望对你有一定的参考价值。
【阅读时间】
13min - 19min
【内容简介】
详解解读什么是支持向量机,如何解支持向量以及涉及的拉普拉斯乘子法,还有核方法的解读。
支持向量机-SVM(Support Vector Machine)从本质来说是一种:用一条线(方程)分类两种事物。
有了直观的感知,在定义这一节在做一些深入的思考,分解名词(Support Vector Machine)并尝试解释:
公式中每一个符号的含义在后文有说明
对于我们需要求解的这个超平面(直线)来说,我们知道
它离两边一样远(待分类的两个部分的样本点)
最近的距离就是到支持向量中的点的距离
根据这两点,抽象SVM的直接表达(Directly Representation)
其实这个公式是一点也不抽象,需要更进一步的用符号来表达。
我们知道在准确描述世界运行的规律这件事上,数学比文字要准确并且无歧义的多,文字(例子)直观啰嗦,数学(公式)准确简介。
SVM支持向量机
注:公式中加粗或者带有向量箭头的都表达一个向量
注:s.t.
:subject to 表示约束条件,表达的意思等价于:为了使得所有样本数据都在间隔区(两条虚线)以外。
为了解(3)式,需要用到拉格朗日乘子法(Method of lagrange multiplier),它是用来求解在约束条件目标函数的极值的。
注:以下解算过程中很多地方推导过程只写必要过程及结论
已经说明了如何求得方程,以上的推导形式都是建立在样本数据线性可分的基础上,如果样本数据你中有我我中有你(线性不可分),应该如何处理呢?这里就需要引入软间隔(Soft Margin),意味着,允许支持向量机在一定程度上出错。
三种常见损失函数如下图
(8)式就是常见的软间隔支持向量机,其中,每一个样本都有一个对应的松弛变量,用以表征该样本不满足约束的程度,求解的方法同理硬间隔支持向量机。
以上我们求解的支持向量机都是在线性情况下的,那么非线性情况下如何处理?这里就引入:核方法
对于这样的问题,可以将样本从原始空间映射到一个更高为的特征空间,使得样本在这个特征空间内线性可分。
多类问题可以使用两两做支持向量机,再由所有的支持向量机投票选出这个类别的归属,被称为one-versus-one approace
。
推荐阅读:
欢迎加入交流群交流学习
以上是关于直观详解支持向量机SVM的主要内容,如果未能解决你的问题,请参考以下文章