SMO算法(转)

Posted 段子手实习生

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SMO算法(转)相关的知识,希望对你有一定的参考价值。

作者:[已重置]
链接:https://www.zhihu.com/question/40546280/answer/88539689
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

SMO(Sequential Minimal Optimization)是针对求解SVM问题的Lagrange对偶问题,一个二次规划式,开发的高效算法。传统的二次规划算法的计算开销正比于训练集的规模,而SMO基于问题本身的特性(KKT条件约束)对这个特殊的二次规划问题的求解过程进行优化。对偶问题中我们最后求解的变量只有Lagrange乘子技术分享向量,这个算法的基本思想就是每次都只选取一对技术分享,固定技术分享向量其他维度的元素的值,然后进行优化,直至收敛。

SMO干了什么?
首先,整个对偶问题的二次规划表达如下:
技术分享
SMO在整个二次规划的过程中也没干别的,总共干了两件事:
  • 选取一对参数技术分享
  • 固定技术分享向量的其他参数,将技术分享代入上述表达式进行求最优解获得更新后的技术分享

SMO不断执行这两个步骤直至收敛。

因为有约束技术分享存在,实际上技术分享技术分享的关系也可以确定。技术分享这两个参数的和或者差是一个常数。
技术分享

所以虽然宣传上说是选择了一对技术分享,但还是选择了其中一个,将另一个写作关于它的表达式代入目标函数求解。

为什么SMO跑的那么快,比提出之前的算法不知道高到哪里去了?
正如上面提到的,在固定其他参数以后,这就是一个单变量二次规划问题,仅有的约束也是这个变量技术分享,显然有闭式解。不必再调用数值优化算法。

KKT条件是对偶问题最优解的必要条件
技术分享

除了第一个非负约束以外,其他约束都是根据目标函数推导得到的最优解必须满足的条件,如果违背了这些条件,那得到的解必然不是最优的,目标函数的值会减小。

所以在SMO迭代的两个步骤中,只要技术分享中有一个违背了KKT条件,这一轮迭代完成后,目标函数的值必然会增大。Generally speaking,KKT条件违背的程度越大,迭代后的优化效果越明显,增幅越大。

怎样跑的更快?
和梯度下降类似,我们要找到使之优化程度最大的方向(变量)进行优化。所以SMO先选取违背KKT条件程度最大的变量,那么第二个变量应该选择使目标函数值增大最快的变量,但是这个变量怎么找呢?比较各变量优化后对应的目标函数值的变化幅度?这个样子是不行的,复杂度太高了。

SMO使用了一个启发式的方法,当确定了第一个变量后,选择使两个变量对应样本之间最大的变量作为第二个变量。直观来说,更新两个差别很大的变量,比起相似的变量,会带给目标函数更大的变化。间隔的定义也可以借用偏差函数
技术分享
我们要找的也就是使对于技术分享来说使技术分享最大的技术分享

很惭愧,只做了一点微小的工作。

References
[1] Platt, John. "Sequential minimal optimization: A fast algorithm for training support vector machines." (1998).
















以上是关于SMO算法(转)的主要内容,如果未能解决你的问题,请参考以下文章

ML-9-3支持向量机--SMO算法原理

理解支持向量机SMO算法

机器学习详解SMO算法剖析(转载)

关于SVM数学细节逻辑的个人理解 :SMO算法理解

支持向量机:SMO算法剖析

SMO算法流程