机器学习技法笔记--- Linear SVM

1）引入

线性可分的情况下，下面哪条线（或者哪个面）算是最好的？

2）为什么选择的超平面（线）Hyperplane要离Xn最远？

因为如果未来的数据X ≈ 已测的数据Xn（也就是看做有一些测量误差noise），那么一旦超平面过近，就有可能导致分类错误

超平面越远，所容忍的噪声越多（噪声是导致过拟合的原因之一）

3）怎样的Hyperplane才算是最远？

可以看成把一根线不断地往两边加粗，直到某一边触及到数据点，我们要找的就是最粗的一条线

fat: far from both sides of examples.       fatness: distance to closest Xn

4）用公式来表示largest-margin separating Hyperplane

W代表一个Hyperplane的参数，直接看成一个Hyperplane也行

        yn是实际类别，WTXn是预测类别。两者乘积大于0代表要保证分类正确

        margin是寻找超平面与最近的点的距离

5）承接上面，那distance怎么求呢？

     5.1）我们再把W拆成两部分，一部分叫b=w0；另一部分是剩下的，仍然叫W

于是Hyperplane就是WTx + b = 0。。。

距离就是     

点到平面的距离，不会请百度

5.2）那距离有个绝对值，不好算，那怎么去掉它呢，我们想到yn与WTx+b同号，于是

5.3）原始的式子就转换成如下的式子了：

     

6）放缩

6.1）超平面WTx + b = 0 和 3WTx + 3b = 0是同一个。

于是我们不断地放缩w和b，使得：

6.2）于是原来的式子又进一步转化为下面的式子：

6.3）再变一下形，就成了极小凸二次规划问题，可以用拉格朗日对偶法求解