支持向量机原始形式实现

Posted 2023-03-12

【中文标题】支持向量机原始形式实现

【英文标题】：Support Vector Machine Primal Form Implementation

【发布时间】：2014-07-08 07:19:33

【问题描述】：

我目前正在研究一个支持向量机 (SVM) 项目。我正在研究的 SVM 版本是 Linear SVM in Primal Form，我很难理解从哪里开始。

总的来说，我想我理解这个理论；基本上我需要在一定的约束下最小化 w 的范数。并且拉格朗日函数将是我要最小化的目标函数（在应用拉格朗日乘数之后）。

我不明白的是，我的教授告诉我，我们将使用 Quasi-Newton 方法以及 BFGS 更新。我已经尝试过牛顿法的 2D 和 3D 案例，我认为我对算法有很好的掌握，但我不知道如何应用准牛顿法来查找系数 alpha。此外，到目前为止，我阅读的许多文献都告诉我应用二次规划来找到系数。

Quasi-Newton 的迭代算法与求 w... 的系数有何关系？二次规划与拟牛顿有何关系？谁能告诉我发生了什么？

【问题讨论】：

这个问题对于任何 Stack Exchange 站点来说都太宽泛了，这个主题更适合 stats.stackexchange.com。阅读那里的帮助中心并写一个更具体的问题。

【参考方案1】：

你在这里搞错了很多事情

“alpha 系数”

只有对偶形式

，所以在您的情况下

找不到它们

“应用二次规划”，二次规划是一个

问题

，不是解决方案。您不能“应用 QP”，您只能

解决

一个 QP，在您的情况下，这将使用准牛顿法解决 “(...) 如何与寻找 w 的系数相关”完全相同，因为这种优化技术与寻找任何函数的最佳系数有关。您将最小化

w

的函数，因此应用任何优化技术（特别是准网络）将导致解决方案表示为

w

系数

【讨论】：

好的，那么我现在要解决一个 QP 问题了。我有另一个问题。据我了解，QP 问题是泰勒展开的第二和第三项，我的目标函数（这是对的吗？或者 QP 所指的 f(x) 是不同的东西？）。但是为什么要最小化这些呢？通过这样做，我究竟为什么要摆脱它？我是否会像牛顿法一样获得下一个索引？我知道我有很多问题，但请在这里帮助我..

如果您有其他问题，您应该单独提出一个问题，cmets 不是此类讨论的地方。 QP 问题只是最小化/最大化具有线性约束的二次函数的问题。就这样。它与任何函数的 Taylos 扩展无关。

那么当您应用函数的泰勒展开式时，第二项和第三项与 QP 最小化的项完全相同，这是否巧合？ en.wikipedia.org/wiki/Quasi-Newton_method

顺便感谢您的意见。我真的很感激。这是我第一次在 *** 上提问。如果我不遵守规则，请与我交谈。我下次一定会的..

不，这不是巧合，但情况恰恰相反。如果您想优化 Taylor expension 到第三项，您会遇到无约束二次优化问题的特殊情况。但这不适用于其他方式，QP 不是“泰勒展开式”（尽管对于每个 QP 问题，您都可以找到具有这种形式的泰勒展开式的函数）。