非线性SVM与核函数

核技巧

非线性分类问题

用线性分类的方法求解非线性分类问题分为两步：
首先使用一个变换将原空间的数据映射到新空间；
然后在新空间里利用线性分类学习方法从训练数据中学习分类模型。核技巧就是这种方法。
核技巧应用到SVM，基本想法是通过一个非线性变换将输入空间对应于一个特征空间，使得在输入空间中的超曲面模型对应于特征空间中的超平面模型（SVM）。这样，分类问题的学习任务通过在特征空间中求解线性SVM就可以完成。

核函数的定义

K(x,z)=ϕ(x)⋅ϕ(z)
称K(x,z)为核函数，ϕ(x)为映射函数。
核技巧的想法是，在学习和预测中只定义核函数K(x,z)，而不显式地定义映射函数ϕ。通常，直接计算K(x,z)比较容易。

核技巧在SVM中的应用

在线性SVM的对偶问题中，目标函数和决策函数都只涉及输入实例与实例之间的内积。对偶问题的目标函数中的内积xi⋅xj可以用和函数K(xi,xj)=ϕ(xi)⋅ϕ(xj)代替。
目标函数变为
W(a)=12∑i=1N∑j=1NaiajyiyjK(xi,xj)−∑i=1Nai
分类决策函数成为
f(x)=sign(∑i=1Na∗iyiK(xi,x)+b∗)
当映射函数是非线性函数时，学习到的含有核函数的SVM就是非线性分类模型。
在核函数给定的条件下，可以利用解线性分类的方法求解非线性分类问题的SVM。学习是隐式地在特征空间中进行的，不需要显式地定义特征空间和映射函数。

正定核

常用核函数

多项式核函数

K(x,z)=(x⋅z+r)d
对应的SVM是一个d次多项式分类器。

高斯核函数

K(x,z)=exp(−γ||x−z||22σ2)
对应的SVM是高斯径向基函数(radial basis function)分类器。
γ定义了了当个样本对整体分类超平面的影响，当γ比较小时，单个样本对整个分类超平面的影响比较大，更容易被选择为支持向量。
如果把惩罚系数C和RBF核的γ一起看，当C比较大，γ比较小时，会有更多支持向量，模型比较复杂。

sigmoid核函数

K(x,z)=tanh(γ<x⋅z>+r)

字符串函数

核函数不仅可以定义在欧式空间上，还可以定义在离散数据的集合上。

非线性SVM算法

参考文献

《统计学习方法》第7章
机器学习 小象学院