15-kernel methods

这一节主要探讨kernel的方法，以及SVM如何做到some error tolerate—— soft margin。

• 我们将拉格朗日函数表达成在z空间的形式， 我们需要解决的问题是， 当在z空间优化拉格朗日函数的时候， 我们在计算w， 计算b的时候是否也是方便， 更好的话是它就是kernel的形式。 答案是肯定的。predict的时候是计算g(x)， 从w的形式化表达并且代入我们得知无论计算g(x) 还是b, 都是计算x与支持向量之间的kernel而已。

  
  
  

  form

• 下面以一个例子来说明kernel确实是在做inner product。以二维空间为例子， 我们形式化的将z表达出来， 然后做inner product，到最后我们发现这种效果与直接做K(x, x') = (1 + x^Tx')2的效果是等价的。
  

  

  generalized
  
  
  

  trick

• 以上的例子其实是polynomial kernel， 下面是其更加一般化的表达。

  
  
  

  polynomial

• 那么遇到一个新的kernel， 我们如何确认它就是对的， 是在做inner product呢？ 可以在一维空间展开。 如下是rbf kernel， 我们对其做泰勒展开， 发现有x, x'的点乘项， 我们有理由相信它就是在做点乘。

  
  
  

  rbf

• final。最后我们得到了g(x)关于kernel的表达。

  
  
  

  final

• 但是如何知道Z空间存在呢？一个是认为构建， 另外一个是Mercer‘s condition， 第三是这似乎是不重要的。保证kernel(x, y) = kernel(y, x)， 保证kernel矩阵是半正定。

  
  
  

  Z
  
  
  

  condition

• 接下来是soft margin分类器。 数据不一定是能对分的， 左边的是有少数的点混入到别的类之中， 右边的是它在线性空间完全无法分， 必须要做非线性转换。

  
  
  

  non-separable

• 还记得我们一开始做的归一化|w^Tx + b | = 1 吧， 这是对所有支持向量的约束， 现在放宽这个约束，支持向量到超平面的距离可以有一点点vary， 或者理解成允许犯一点点错误\xi，然后统计\xi的总和。

  
  
  

  measure

• 问题重新表达如下。最小化的问题要加上Error measure， 拉格朗日的方程要加上两个松弛变量的约束。 可以看到， 对w， b的导数仍然不变， 而对\xi求导令其为0， 看到C-\alpha-beta = 0， 若将其代回去拉格朗日方程， 关于\xi的项消失了。

  
  
  

  optimization
  
  
  

  Lagrange

• solution。solution的形式与hard margin的形式基本一直， 只是多了一个约束\alpha ≤ C。

  
  
  

  solution

• 前面我们知道若\alpha > 0， 它就是一个support vector， 它们都在margin上面， 这是对hard margin而言。 对soft margin需要分两类， 一类仍然是margin上面的支持向量， 他们的\xi就是0； 另外一类是margin之间的支持向量， \alpha = C， 这意味着\beta = 0，根据互补松弛条件(不知道对不对）, \xi 就不等于0了， 有Error了， 这就是margin之间的支持向量了。

  
  
  

  support