【机器学习】支持向量机[续1]

我们之前讨论的情况都是建立在样例线性可分的假设上，当样例线性不可分时，我们如何处理呢？接下来，我们将谈谈规则化和不可分情况处理、坐标上升法。

规则化和不可分情况处理(Regularization and the Non-separable Case)

当样例线性不可分时，我们可以尝试使用核函数来将特征映射到高维，这样很可能就可分了。然而，映射后我们也不能100%保证可分。那怎么办呢，我们需要将模型进行调整，以保证在不可分的情况下，也能够尽可能地找出分隔超平面。如下面图所示：

可以看到一个离群点(可能是noise)可以造成超平面的移动，间隔缩小，可见以前的模型对噪声非常敏感。再有甚者，如果离群点在另外一个类中，那么这时候就是线性不可分了。这时候我们应该允许一些点游离并在在模型中违背限制条件(函数间隔大于1)。我们设计得到新的模型如下(也称软间隔)：

引入非负参数后(称为松弛变量)，就允许某些样本点的函数间隔小于1，即在最大间隔区间里面或者函数间隔是负数，即样本点在对方的区域中。而放松限制条件后，我们需要重新调整目标函数，以对离群点进行处罚，目标函数后面加上的就表示离群点越多，目标函数值越大，而我们要求的是尽可能小的目标函数值。这里的C是离群点的权重，C越大表明离群点对目标函数影响越大，也就是越不希望看到离群点。我们看到目标函数控制了离群点的数目和程度，使大部分样本点仍然遵守限制条件。模型修改后，拉格朗日公式也要修改如下：

这里的和都是拉格朗日乘子，回想我们在拉格朗日对偶中提到的求法，先写出拉格朗日公式（如上），然后将其看作是变量w和b的函数，分别对其求偏导，得到w和b的表达式。然后代入公式中，求带入后公式的极大值。整个推导过程类似以前的模型，这里只写出最后结果如下：

此时，我们发现没有了参数，与之前模型唯一不同在于又多了的限制条件。需要提醒的是，b的求值公式也发生了改变，改变结果在SMO算法里面介绍。先看看KKT条件的变化：

第一个式子表明在两条间隔线外的样本点前面的系数为0，离群样本点前面的系数为C，而支持向量（也就是在超平面两边的最大间隔线上）的样本点前面系数在(0,C)上。通过KKT条件可知，某些在最大间隔线上的样本点也不是支持向量，相反也可能是离群点。

 

坐标上升法（Coordinate ascent）

 

在最后讨论的求解之前，我们先看看坐标上升法的基本原理。假设要求解下面的优化问题：.这里W是向量的函数。之前我们在回归中提到过一种求最优解的方法即：梯度下降法，另外一种是牛顿法。现在我们再讲一种方法称为坐标上升法(求解最小值问题时，称作坐标下降法，原理一样)。方法过程如下所示：

 

Loop until Convergence:{
    For i =1,....,m{
      ai :=arg max ai W{a1,a2,....,am-1,am}
    }
}

最里面语句的意思是固定除 之外的所有 ，这时W可看作只是关于 的函数，那么直接对 求导优化即可。这里我们进行最大化求导的顺序i是从1到m，可以通过更改优化顺序来使W能够更快地增加并收敛。如果W在内循环中能够很快地达到最优，那么坐标上升法会是一个很高效的求极值方法。下面通过如下图来展示：

 

在图中：椭圆代表了二次函数的各个等高线，变量数为2，起始坐标是(2,-2)。直线式迭代优化的路径，可以看到每一步都会向最优值前进一步，而且前进路线是平行于坐标轴的，因为每一步只优化一个变量。

(未完待续.....)

======================================================
转载请注明出处：http://blog.csdn.net/utimes/article/details/9323565
======================================================