ML学习心得（4）----SVM支持向量机 之一

0、前言

网上有好多大神关于SVM的博客，在Reference中都有提及。而Andrew Ng从另外的角度引出了SVM，简单的

阐述了SVM的工作原理，具体的可以看看他的公开课。我这里打算1、介绍SVM和其dual优化；2、SVM和核函数以及

其松弛变量处理outliers；3、SMO算法。感觉工作量有些大，不知道自己能不能很清楚的理清自己的思路。

1、什么是Support Vector Machine(SVM)

SVM一直被认为是效果最好的现成可用的分类算法之一。这里"现成可用"几个字说的，其实是SVM在理论领域和实际应用

领域有很好效果，两边都混得开。那么到底什么是SVM呢？作为分类算法，我们当然要从线性分类器开始说起。

假设x是一个n维的数据，对应的类别y取值为{-1,1}，我们希望有一个超平面，能够把不同类别的点全部都分割

开来，令,当f（x）=0的时候即为其分割超平面，当f(x)<0，y=-1，f(x)>0 y=1。然而，从数值的

角度上看，当f(x)值很小的时候，因为误差的存在，我们很难确保自己准确判断它所属的类别。那么很自然，我们希望

我们分类所依凭的f(x)的值能够足够大，大到我们很准确的进行分类；从几何的角度看，离超平面越近的点，我们越难

进行分类，反之 则相反。

我们定义function margin 为（这里就体现出来我们y取+-1的好处了，可以保证距离是正的）

对于geometrical margin，我们可以从下面的图来看看

w是超平面的法向量，这点大家以前的知识应该就能理解，我们要求x点到超平面的距离：

而f(x0)=0,所以等式两边乘以w加b，可得：,为了保证他是正的乘以y，可得geometrical margin为

两者差了||w||的倍数。

像上面提到的那样，我们希望我们的margin最大，那么我们的分类就更加准确，显然我们要找到的超平面

是最大化geometrical margin，因为function margin可以在超平面位置不变的情况下（同倍增大缩小w和b），导致

值不能确定，而几何距离就没这个问题。所以我们的svm就可以定义为：

固定function margin为1，那么我们的优化方程可以改为：

s.t.不变

至此，我们就初步的了解了什么是SVM，就是使得margin最大，使得我们分类的confidence最大，大家可以很明显

地看到，confidence的确定是依赖于几个f(x)绝对值等于1的点。下面我们就看看，怎么利用凸优化的知识求解这个问题。

2、SVM的求解——拉格朗日对偶问题

上面的等价的优化方程的拉格朗日函数为

于是我们现在的目标函数变为：

调换min和max可以得到

我们可以得知d一定永远小于等于p，我们就可以利用其KKT条件求解。

KKT：

1、

2、

3、

为了求其极小值，我们求偏导可得

带入拉格朗日函数可以得到我们的对偶优化方程

上面整个的推导过程最好能自己去推导一下，便于加深记忆。

得到上面的式子，我们就有很好的方法SMO来求解，整个方法我们在后续的文章中会提及。

另外，我们来看看上述优化方程的某些特性吧。从而引出下篇文章核函数的内容

上面我们得到了w的表达式，带入拉格朗日函数，可以得到：

其中表示内积。

让我们关注下alpha，从拉格朗日函数中，当我们的xi在边界上时，是为0的

也就是我们的support vector，那么不在边界上的点，其值是大于0的，而alpha有事大于等于0的，我们的拉格朗日函数

要使其最大化，若alpha不为0，那么其值就是正无穷的。所以不在边界上的点起alph的值时等于0的。也就是说我们的SVM

的边界其实就是几个support vector 所决定的

截止目前，我们的SVM只能针对线性分类。而基于上面内积的特点，我们下一章就会介绍到

核函数，从而使得我们的SVM更加强大。

3、Reference

Free Mind支持向量机系列

JerryLead支持向量机系列