16.gitchat训练营-SVR——一种“宽容”的回归模型

1.宽容的支持向量回归（SVR）

一种“宽容的”回归模型：支持向量回归（Support Vector Regression，SVR）。

支持向量回归模型的模型函数也是一个线性函数：。看起来和线性回归的模型函数一样！但 SVR 和线性回归，却是两个不同的回归模型。

这两个模型不同点学习过程，就是：计算损失的原则不同，目标函数和最优化算法也不同。

1.1.原理

SVR 在线性函数两侧制造了一个“间隔带”，对于所有落入到间隔带内的样本，都不计算损失；只有间隔带之外的，才计入损失函数。之后再通过最小化间隔带的宽度与总损失来最优化模型。如下图这样，只有那些圈了红圈的样本（或在隔离带边缘之外，或落在隔离带边缘上），才被计入最后的损失：

image

1.2.SVR 的两个松弛变量

这样看起来，是不是 SVR 很像 SVM？不过请注意，有一点 SVR 和 SVM 正相反，那就是：SVR 巴不得所有的样本点都落在“隔离带”里面，而 SVM 则恰恰希望所有的样本点都在“隔离带”之外！正是这一点区别，导致 SVR 要同时引入两个而不是一个松弛变量。

SVR 引入两个松弛变量：和

SVR的基本情况

是我们最终要求得的模型函数；和（也就是和）是隔离带的上下边缘；是隔离带上边缘之上样本点的值，与对应坐标在“上边缘超平面”上投影的差；而则是隔离带下边缘之下样本点，到隔离带下边缘上的投影，与该样本点值的差。用公式来反应：

image

对于任意样本，如果它在隔离带里面或者隔离带边缘上，则和都为； 如果它在隔离带上边缘上方，则；如果它在下边缘下方，则。

2.SVR 的主问题和对偶问题

2.1.SVR 的主问题

SVR 主问题的数学描述如下：

2.2.SVR 的拉格朗日函数和对偶问题

我们引入拉格朗日乘子和，来针对上述主问题构建拉格朗日函数，得到拉格朗日函数如下：

它对应的对偶问题是：

2.3.求解 SVR 对偶问题

首先要求最小化部分：

分别对，，和求偏导，并令偏导为，可得：




将上述4个等式带回到对偶问题中，在通过求负将极大化问题转化为极小化问题，得到如下结果：

2.4.用 SMO 算法求解 SVR

SMO 算法针对的是任意样本只对应一个参数的情况，而此处，这个样本却对应两个参数和。有没有办法把和转化为一个参数呢？办法还是有的！

我们整个求解过程采用的是拉格朗日对偶法，对偶问题有解的充要条件是满足** KKT 条件**。那么对于 SVR 的对偶问题，它的 KKT 条件是什么呢？它的 KKT 条件如下：

由 KKT 条件可见，当且仅当时，才可以取非值；当且仅当时，才可以取非值。

对应的是在隔离带下边缘以下的样本。而对应的是在隔离带上边缘之上的样本。一个样本不可能同时既在上边缘之上，又在上边缘之下，所以这两个等式最多只有一个成立，相应的和中至少有一个为。

我们设：。既然和中至少有一个为，且，于是有 :。

将和带入对偶问题，则有：


如此一来，不就可以应用 SMO 求解了嘛！当然，这样一个推导过程仅仅用于说明 SMO 也可以应用于 SVR，具体的求解过程和 SVM 的 SMO 算法还是有所差异的。

3.支持向量与求解线性模型参数

因为，又因为前面已经求出，因此：

由此可见，只有满足的样本才对取值有意义，才是 SVR 的支持向量。也就是说，只有当样本满足下列两个条件之一时，它才是支持向量：

或

换言之，这个样本要么在隔离带上边缘以上，要么在隔离带下边缘以下（含两个边缘本身）。也就是说，落在隔离带之外的样本，才是 SVR 的支持向量！可见，无论是 SVM 还是 SVR，它们的解都仅限于支持向量，即只是全部训练样本的一部分。因此 SVM 和 SVR 的解都具有稀疏性。

通过最优化方法求解出了 之后，我们还需要求。

而且，对于那些落在隔离带上边缘上的支持向量，有，落在隔离带下边缘上的支持变量有。

因此，其中是位于隔离带上边缘的支持向量集合，而则是位于隔离带下边缘的支持向量集合。

4.SVR 的核技巧

SVR 核技巧的实施办法和 SVM 一样，也是将输入空间的通过映射函数映射到更高维度的特征空间。然后再在特征空间内做本文前面所述的一系列操作。因此，在特征空间中的线性模型为：

其中：

对照 SVM 核函数的做法，我们也令：

则：

具体核技巧的实施过程，也对照 SVM 即可。