线性支持向量机思想与公式推导(Outliers)
来源:互联网 发布:常见的网络诈骗有 编辑:程序博客网 时间:2024/06/05 18:12
通常情况下,数据集并不是完全线性可分的。数据集中存在一些噪音点(outlier),将这些点除去后,剩下大部分的样本点组成的集合是线性可分的。此时,由于并不是所有点都满足函数间隔大于等于1的约束条件,上述线性可分问题的支持向量机学习方法并不适用。
为了解决这个问题,对每个样本点
并引入参数
其中,
相应于线性可分支持向量机中利用硬间隔最大化求最优分离超平面,线性支持向量机利用软间隔最大化求解。
2、原始问题和对偶问题
1)原始问题
输入:线性可分训练数据集
输出:最大软间隔分离超平面和分类决策函数
a.选择惩罚参数
求得最优解
b.求得分离超平面:
以及分类决策函数:
2)对偶问题
与线性可分支持向量机学习算法类似,应用拉格朗日的对偶性,通过求解对偶问题得到原始问题的最优解。
输入:线性可分训练数据集
输出:最大软间隔分离超平面和分类决策函数
a.选择惩罚参数
求得对偶问题的最优解
b.由对偶问题的最优解计算原始问题的最优解:
注:由于
c.求得分离超平面:
以及分类决策函数:
Q4:如何由原始问题推导成对偶问题?
A4:推导过程如下:
Step1:引入拉格朗日乘子
并令:
以下分析过程同线性可分的情况类似,可略过。
要想最大化
Step2:当所有点都满足条件时,有:
所以,优化问题变为:
Step3:求最小的最大值问题转换成求最大的最小值问题:
而通常,在满足KKT条件时,有
Step4:先固定
将上式代入
于是,优化问题变为:
求出最优解
分离超平面为:
分类决策函数为:
对于新点
- 线性支持向量机思想与公式推导(Outliers)
- 线性可分支持向量机思想与公式推导
- 支持向量机:Outliers
- 支持向量机:Outliers
- 机器学习20-线性支持向量机svm公式推导(二)
- 支持向量机_4:Outliers
- [Free Mind]支持向量机:Outliers
- 支持向量机系列四:Outliers
- 支持向量机推导
- 支持向量机(svm)推导过程
- 【理论】支持向量机4:Outliers —— 介绍支持向量机使用松弛变量处理 outliers 方法
- 支持向量机(SVM)推导
- 线性支持向量机
- 线性支持向量机
- 线性支持向量机
- 支持向量机之线性支持向量机(三)
- 支持向量机SVM 原理、推导与Matlab实现
- 支持向量机的问题转化与推导
- hdu1498—50 years, 50 colors(最小点覆盖)
- 极光推送
- javascript
- 如何将本地文件上传到github托管
- Oracle 11g RAC OEM配置
- 线性支持向量机思想与公式推导(Outliers)
- Effective Java 2.6——消除过期的对象引用
- POJ1128 Frame Stacking(拓扑排序,DFS)
- generator输出杨辉三角
- rpm补丁文件和升级包制作教程
- 元素出栈、入栈顺序的合法性
- window编程之CreateProcess
- 找出字符串中子串的出现次数 C语言实现
- 本地Navicat连不上Linux虚拟机MySQL数据库问题