支持向量机背后的数学

Posted 2021-01-17 qkloveslife

向量的内积（inner product）

对于向量

[egin{array}{l}
u = left[ {egin{array}{*{20}{c}}
{{u_1}}\\
{{u_2}}
end{array}} ight]\\
v = left[ {egin{array}{*{20}{c}}
{{v_1}}\\
{{v_2}}
end{array}} ight]
end{array}]

它们的内积

[{u^T}v = {u_1}{v_1} + {u_2}{v_2}]

又有

[left| u ight| = sqrt {u_1^2 + u_2^2} ]

假设v在u上的投影距离为p，则

[{u^T}v = pleft| u ight|]

如果u和v的夹角大于90°则p是复数，小于90°为正数

---

有了上面的基础，接下来看支持向量机的损是函数

[underbrace {min }_ heta left{ {Cleft[ {sumlimits_{i = 1}^m {{y^{left( i ight)}}{mathop{ m Cos} olimits} {t_1}left( {{ heta ^T}{x^{left( i ight)}}} ight) + left( {1 - {y^{left( i ight)}}} ight){mathop{ m Cos} olimits} {t_0}left( {{ heta ^T}{x^{left( i ight)}}} ight)} } ight] + frac{1}{2}sumlimits_{j = 1}^n { heta _j^2} } ight}]

支持向量机试图最小化这个公式，对于前半部分

[{Cleft[ {sumlimits_{i = 1}^m {{y^{left( i ight)}}{mathop{ m Cos} olimits} {t_1}left( {{ heta ^T}{x^{left( i ight)}}} ight) + left( {1 - {y^{left( i ight)}}} ight){mathop{ m Cos} olimits} {t_0}left( {{ heta ^T}{x^{left( i ight)}}} ight)} } ight]}]

当y=1时，θ^Tx会朝着θ^Tx≥1的趋势去优化θ

当y=0时，θ^Tx会朝着θ^Tx≤-1的趋势去优化θ

对于后半部分

[{frac{1}{2}sumlimits_{j = 1}^n { heta _j^2} }]

对于下面两种情况

 

为方便理解，这里简化θ只有两个参数（θ₁，θ₂），且θ₀=0，则

[frac{1}{2}sumlimits_{j = 1}^n { heta _j^2}  = frac{1}{2}left( { heta _1^2 + heta _2^2} ight) = frac{1}{2}{left( {sqrt { heta _1^2 + heta _2^2} } ight)^2} = frac{1}{2}{left| heta  ight|^2}]

可以看出，支持向量机为最小化这一部分，会试图最小化θ

结合第一部分

当y=1时，θ^Tx会朝着θ^Tx≥1的趋势去优化θ，加上第二部分的θ尽量小，则对于

[{ heta ^T}{x^{left( i ight)}} = {p^{left( i ight)}}left| heta  ight|]

p⁽ⁱ⁾需要尽量大

 

支持向量机会选择后者，因为它有比较大的p。