机器学习笔记

给定训练样本集 D={(x1,y1),(x2,y2),...,(xm,ym)},y∈{−1,1}, 分类学习最基本的想法就是在样本空间D找一个划分超平面, 将不同类型的样本分开, 如下图所示.

在样本空间中, 划分超平面可以用线性方程来描述:

wTx+b=0

所以超平面可以用{w,b}来描述, 样本空间中任意点x到超平面{w,b}的距离为:

r=|wTx+b|||w||

若此超平面可以将训练样本正确分类, 那即对于(xi,yi)∈D, 若 yi=1,则有wTx+b>0,若yi=−1,则有wTx+b<0
则存在两条平行线

wTxi+b>=C,yi=1

wTxi+b<=−C,yi=−1

通过缩放, 可得

wTxi+b>=1,yi=1

wTxi+b<=−1,yi=−1

这两条平行线的距离为

γ=2||w||

于是, 为了达到最优划分, 需要最大化 γ, 也就是

maxw,b2||w||,

s.t. yi(wTxi+b)>=1
这个等价于

minw,b12||w||2

s.t. yi(wTxi+b)>=1
这就是支持向量机SVM的基本型.

Reference:
1. 机器学习 - 周志华 清华大学出版社
2. http://blog.csdn.net/liangdas/article/details/44251469