【机器学习】SVM漫谈

SVM对于中小规模的数据来说是非常好的模型。由于其可以用数学严谨的推导出结果，可解释性比较强，所以在工业上应用的比较广。

一，SVM的推导

简单起见先考虑SVM在线性的二分类中的应用。

如图1所示svm的目的就是找到一条直线能够很好的将正、负样本“很好的”分开。这个“很好的”是指对于样本的鲁棒性比较好，及时样本点受到一点噪声也不会影响分类的结果，比较直观的看就是正负样本点离分割线的距离比较远。这就是svm的关键点之1：
KEY 1：分割线与正负样本的间隔越大越好。
那么就有如下公式：

w为分割线的法向量，u为要判断的样本点，通过公式来判断样本对是正样本还是负样本。
此时svm的目标是找到合适的w ⃗和b来使对新样本的判断比较正确。
在训练样本中，对于正负样本的存在如下的不等式，即svm的最大间隔假设：

其中离分割线最近的正负样本点（就是图1中出现在分割线两遍绿色边界线上的点）称作“支持向量点”，Vector Point，这些点能够使公式（3）上的等号成立。
图1中的边界的距离margin为，正样本向量减去负样本的向量然后向边界的法向量上的投影：如图2：

如图2所示，margin长度d为正样本X+与负样本X-的差并在分割线法向量w上的投影，距离d的计算如下：

公式(9)成立的条件是：

也就是说只有“支持向量点”对应的α_i才不为0，其他的α_i都为0。可以使用QP或者是SMO来求得一组α_i的值及其对应的x_i的值来，这样就能得到要求的支持向量模型。

二，SVM核函数

若训练集为非线性的，那么与线性的类似，我们需要将样本从不易划分的原始空间映射到容易划分的高维空间，如下图所示：

如上图所示在二维空间中不好划分，但是映射到三维空间就好划分了。
那么之前的线性模型就可以写成这样：

那么其对偶问题的解为：

其中∅(x_i )∅(x_j )表示样本x_i与x_j 映射到特征空间的内积。在非线性中关心的就是变换之后的样本点的内积，而核函数是两个线性变化之后的内积，定义为：k(x_1,x_2 )=ρ(x_1 )*ρ(x_2)。
只要一个对称函数所对应的核矩阵半正定，它就能作为核函数。常用的作为核函数的函数有：

另外还可以函数组合得到核函数，若k_1和k_2为核函数，那么他们的线性组合也是核函数：a*k_1+b*k_2。

三，软间隔

软间隔是值允许有些样本在支持向量机上出错。就是有些样本不满足公式(3).在最大化间隔的同时不不满足约束条件的点应该尽可能的少。于是优化目标为：

而将之转化为对偶问题的结果为：

其中C是一个常数，当C无穷大时迫使所有样本都满足公式(3) 那么就不是“软间隔”了，当C为有限值时就允许有些样本不满足约束条件（3）。C越大不满足约束条件的点越少，满足约束条件的点就越多，所以拟合能力越强，但是容易过拟合。
注意：还有一个重要参数是当把核函数定义为RBF核时的高斯核σ，当σ越大，f越平滑，非线性效能越小，对噪声越不敏感。σ 隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。
在RBF核中，σ对函数的影响，如下图：

四，SVM简约版（面试专用）

1，svm是基于训练样本在样本空间中找到一个划分超平面，将不同类别划分开。
超平面可以使用如下方程描述：，其中表示的是超平面的法向量。
2，若超平面可以将样本正确分类，那么有：，那么存在缩放变换，可以将w,b进行缩放得到如下公式：。

说明：若有f(x1,x2)=x1+x2-0.6，满足负样本(0,0)，有f(0,0)<0；正样本(1,1)，有f(2,2)>0.那么有f(x1,x2)=2*x1+2*x2-1.2，使f(0,0)<-1,f(1,1)>1，仅仅是方程的系数改变了而已。

3，可以将上式改写成：

4，任意一点到超平面的距离为：，那么两个异类支持向量到超平面的距离（可以理解为到超平面法向量上的投影）为：，称之为“间隔”。

5，“间隔”越大那么超平面分割的效果就越好。那么有如下转换：，将最大化问题转化成了最小化问题。于是就得到第一个关键公式：

6，使用拉格朗日乘子法可以将其转化成“对偶问题”：

说明：上式的第二项为正数，减去一个正数肯定不大于原来的树，所以要找到a能使L的值达到最大（L的第二项达到最小），然后再找到w,b使L最小，即。转化之后就可以得到其对偶问题了：，即先寻找w,b得到L的最小值，然后寻找a使L达到最大。

7，对L(w,b,a)对w,b求偏导，并令之为0，得到：

将(2)式带入到(1)中并化简可以得到：