机器学习之SVM简介

综述

在深度学习（2012）出现之前，SVM是ml算法中最优秀的算法。
支持向量机，本质是个分类器。核技巧+间隔最大
当间隔最大的时候，他的泛化能力是最强的，鲁棒性最高。

• 基于最大间隔分割数据。分割的超平面有无数个，找的是最大化的
• 寻找一个能把样本分割开的超平面（分割超平面）Max Margin Hyperplane
• 求解凸二次规划的最优化算法。
• 支持向量：超平面上的那些点（样本）
  当样本有多个属性，并且属性之间有影响的时候，svm比较适合

支持向量：和超平面平行的保持一定的函数距离的这两个超平面对应的向量，我们定义为支持向量
支持向量机：寻找支持向量的算法，并利用支持向量来寻找分界线的算法

• 非线性支持向量机
• 线性支持向量机

算法流程

算法的主要过程就是要求解超平面，超平面具有如下性质：

• 把两类数据分隔开
• 距离两个分类之间的距离最大

主要需要考量的是如何让距离最大，这里从向量的角度考虑
这些超平面可以由方程族描述：

两个支持向量之间的距离是

我们要寻找的是间隔最小的，也就是|w|要最大，这样最终转化成一个方程：

就是求解条件极值的方程，一个带有约束条件的最小极值方程。高数里面可以用拉格朗日方法求解
这个方程也就是SVM的基本型

训练集的最大间隔超平面是存在且唯一的。

当样本数据不是线性可分的时候，如何处理？
这里引入核函数的概念

核函数

当样本不是线性可分的时候，需要用到核函数，核函数的目的是将所有的样本转换成可划分的。通过对样本数据的转换，构造出一条直线划分原来的样本。

• 核函数将样本数据变换到更高维度，使得他线性可分。
• 在数学上已经证明了，经过有限次的核函数转换，一定可以处理成线性可分的情况。
• 核函数本质上就是一个映射

最关键的就是找到合适的映射。如何找到？没有系统的方法，需要考量数据格式，业务需要等，经验积累。一般来说，径向基函数/高斯核（rbf）效果大部分情况下还行。核函数也可以自己定义。如果需要具体操作，还需要另寻他法。

核函数是SVM的精华，如何选择合理的核函数，对于SVM的性能有着至关重要的影响。

优化

核函数的选择对于性能的提升有着极为重要的作用。

评价

• SVM可以用于分类和回归
• SVM的复杂度是由支持向量个数的多少决定的，不是由样本个数的多少。寻来的结果完全依赖于支持向量而非所有样本。
• svm是前一个阶段ml的主流，但是由于核函数的选择，一直是个未决问题。经常使用的多核学习本质上是借助了集成学习机制。

进阶

libsvm
核函数的选择
凸优化问题