Support Vetor Machine Summary

经过最近的学习了解了部分理论但是没有实践应用,所以先写下来,可能不准确。

定义:

在reddit上看到一个很好的解释更直观和生动:
如何向一个五岁的孩子解释SVM
知乎上也有人提到这个,而且已经整理如下:中文

wiki定义:其实就是个监督学习模型,用来分析回归和分类,它巧妙的运用非线性变换把低维的特征投影到高维,可以执行比较复杂的分类任务(升维打击),是一种二类分类模型。它的基本模型是定义在特征空间上的间隔最大的线性分类器,间隔最大使它有别于感知机;

包含了构建从简单到复杂的模型:线性可分支持向量机(linear support vector machine in linearly separable case)、线性支持向量机(linear support vector machine)及非线性支持向量机(non-linear support vector machine)。简单模型是复杂模型的基础,也是复杂模型的特殊情况。(具体可以看李航老师的《统计学习方法》)

1基本问题

在知错能改感知机中,学习到在线性可分的训练数据中,我们可以得到不能分分类界线

为了得到最大边界间隔的超平面,将问题准换为优化问题,期中margin(b,w)表示超平面wx+b 离样本的最小距离,进而让这个最小距离最大化:


描述距离:
描述距离

距离推导的结果:

将问题转化为:

进一步简化,因为w和b同时成倍的放缩不会影响超平面的变化,所以总可以找到一组w* 和b 使得miny( wx+b *)=1,所以有

当然可以用反正法证明一下,假设

y(*wx+b *)>1, 我们可以通过放缩w,b得到更优化的解,约束条件和下图等价


最后得到上图的优化问题,这个问题的形式和二次规划(线性规划的进阶版)一致,所以可以用二次规划的方法解决。

2可行性

因为svm对噪声的容忍性更强,所以从VC bound 角度讲(超平面到底能产生多少圈圈叉叉分类的组合),对于PLA来说可以shatter所有组合,但svm会对margin有限制



linear hard SVM不能shatter任意三个inputs,说明有更少的维度,所以有更好的泛化能力。同时,使用特征转化,可以使Linear hard SVM 进行更精细分类。

使用场景

SVM的典型使用场景如:
一、房价估算
根据过去十年来房价和房屋面积、卧室数量、当地消费水平等等各种因素数据,将房屋分为「豪宅」、「中等」、「经济型住房」、「贫民窟」等几类;
使用SVM训练这些数据得出一个模型,可以用来预测在新的条件下,某个住房可以被划归到哪种分类,价值区间多少。

二、垃圾邮件分类器:
获取可疑的spam email关键词列表,例如:Buy、now等(实际Spam Corpus可以参考使用Apache Spam Assassin);
收集大量的spam和非spam邮件数据,将其中包含的可疑spam关键词找出并标记在特征向量中,用SVM训练这些数据,得出一个模型,用来判断一封新的邮件是否为一个垃圾邮件。

其实SVM最难的在于各种核函数,包括选取,这个在后面的文章中再说。

Reference:

台大林老师《机器学习技法》
李航《统计学习方法》

扩展阅读:

  • http://www.hankcs.com/ml/support-vector-machine.html
  • 《机器学习实战》
  • https://www.zhihu.com/search?type=content&sort=upvote&q=%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA

你可能感兴趣的:(Support Vetor Machine Summary)