SVM的matlab实现——CVX工具箱应用

机器学习经典算法SVM，网上有各种博客介绍，以及各种语言的源代码。 这里提供SVM几种版本的matlab实现，主要目的是熟悉利用CVX来求解凸优化问题。

---

• basic SVM

  推导什么的就不说了，直接搬最后的公式：
  

  minw,b2∥w∥22
  
  
  s.t.yi(wTxi+b)≥1,i=1,...,L
  x_i+b)\ge1,i=1,…,L

然后是代码：`

function [ w,b ] = svm_prim_sep( data,labels )%UNTITLED2 此处显示有关此函数的摘要%   Input:%   data:   num-by-dim matrix .mun is the number of data points,%   dim is the the dimension of a point% labels:   num-by-1 vector, specifying the class that each point belongs% to +1 or -1%   output:%   w: dim-by -1 vector ,the mormal dimension of hyperpalne%   b: a scalar, the bias[num,dim]=size(data);cvx_begin    variables w(dim) b;    minimize (norm(w));    subject to        labels.*(data*w+b)>=1;cvx_endend

然后随便随机生成了10个2维样本，运行结果如下：

---

• Soft Margin SVM

Soft Margin SVM
线性不可分的时候，通过引入罚函数（penalty function）来解决，使得分类误差最小。公式如下：

minw,b,ξi12∥w∥22+C∑i=1Lξi

s.t.yi(wTxi+b)≥1−ξi,i=1,...,L

ξi≥0,i=1,...,L

代码依然很简单：

function [ w,b ] = svm_prim_sep( data,labels )%UNTITLED2 此处显示有关此函数的摘要%   Input:%   data:   num-by-dim matrix .mun is the number of data points,%   dim is the the dimension of a point% labels:   num-by-1 vector, specifying the class that each point belongs% to +1 or -1%   output:%   w: dim-by -1 vector ,the mormal dimension of hyperpalne%   b: a scalar, the bias[num,dim]=size(data);cvx_begin    variables w(dim) b，xi(num);    minimize (sum(w.^2)/2+C * sum(xi.^2));    subject to        labels.* (data * w+b)>=1-xi;        xi>=0;cvx_endend

是不是很简单？例子以后再给吧。（公式乱码，请尝试其它浏览器）
未完待续，