5.1SVM--python机器学习

参考彭亮老师的视频教程:转载请注明出处及彭亮老师原创
视频教程: http://pan.baidu.com/s/1kVNe5EJ


1. 背景:

     1.1 最早是由 Vladimir N. Vapnik 和 Alexey Ya. Chervonenkis 在1963年提出
     1.2 目前的版本(soft margin)是由Corinna Cortes 和 Vapnik在1993年提出,并在1995年发表
     1.3 深度学习(2012)出现之前,SVM被认为机器学习中近十几年来最成功,表现最好的算法

2. 机器学习的一般框架:
     训练集 => 提取特征向量 => 结合一定的算法(分类器:比如决策树,KNN)=>得到结果

3. 介绍:
          
     3.1 例子:


          两类?哪条线最好?
          

          3.2 SVM寻找区分两类的超平面(hyper plane), 使边际(margin)最大

          

               总共可以有多少个可能的超平面?无数条
               
               如何选取使边际(margin)最大的超平面 (Max Margin Hyperplane)?

               超平面到一侧最近点的距离等于到另一侧最近点的距离,两侧的两个超平面平行



3. 线性可区分(linear separable) 和 线性不可区分 (linear inseparable) 






4. 定义与公式建立

          超平面可以定义为:
          
               W: weight vectot,    , n 是特征值的个数
               X: 训练实例
               b: bias

          
          4.1 假设2维特征向量:X = (x1, X2)
                把 b 想象为额外的 wight
                超平面方程变为: 

                所有超平面右上方的点满足:
                所有超平面左下方的点满足: 

               
                    调整weight,使超平面定义边际的两边:

               
     
                  综合以上两式,得到: (1)
                             

                  所有坐落在边际的两边的的超平面上的被称作”支持向量(support vectors)"

                  分界的超平面和H1或H2上任意一点的距离为   (i.e.: 其中||W||是向量的范数(norm))
                   
                   
               
                  所以,最大边际距离为: 
                        
                   
5. 求解

     5.1  SVM如何找出最大边际的超平面呢(MMH)?
                           
              利用一些数学推倒,以上公式 (1)可变为有限制的凸优化问题(convex quadratic optimization)
               利用 Karush-Kuhn-Tucker (KKT)条件和拉格朗日公式,可以推出MMH可以被表示为以下“决定边     
               界 (decision boundary)”          
                                                  
               其中,
               
                      是支持向量点  (support vector)的类别标记(class label)
                    
                    是要测试的实例
                    
                     和   都是单一数值型参数,由以上提到的最有算法得出
                              
                      是支持向量点的个数

            
       5.2  对于任何测试(要归类的)实例,带入以上公式,得出的符号是正还是负决定



6. 例子:




你可能感兴趣的:(python机器学习)