簡介

支持向量機基本上是最好的有監督學習算法了。最開始接觸SVM是去年暑假的時候，老師要求交《統計學習理論》的報告，那時去網上下了一份入門教程，里面講的很通俗，當時只是大致了解了一些相關概念。

這次斯坦福提供的學習材料，讓我重新學習了一些SVM知識。我看很多正統的講法都是從VC 維理論和結構風險最小原理出發，然后引出SVM什么的，還有些資料上來就講分類超平面什么的。

這份材料從前幾節講的logistic回歸出發，引出了SVM，既揭示了模型間的聯系，也讓人覺得過渡更自然。

重新審視logistic回歸

Logistic回歸目的是從特征學習出一個0/1分類模型，而這個模型是將特性的線性組合作為自變量，由于自變量的取值范圍是負無窮到正無窮。

因此，使用logistic函數（或稱作sigmoid函數）將自變量映射到(0,1)上，映射后的值被認為是屬于y=1的概率。

形式化表示就是

假設函數

其中x是n維特征向量，函數g就是logistic函數。

的圖像是

可以看到，將無窮映射到了(0,1)。

而假設函數就是特征屬于y=1的概率。

當我們要判別一個新來的特征屬于哪個類時，只需求，若大于0.5就是y=1的類，反之屬于y=0類。

再審視一下，發現只和有關，>0，那么，g(z)只不過是用來映射，真實的類別決定權還在。還有當時，=1，反之=0。

如果我們只從出發，希望模型達到的目標無非就是讓訓練數據中y=1的特征，而是y=0的特征。

Logistic回歸就是要學習得到，使得正例的特征遠大于0，負例的特征遠小于0，強調在全部訓練實例上達到這個目標。

圖形化表示如下：

中間那條線是，logistic回顧強調所有點盡可能地遠離中間那條線。學習出的結果也就中間那條線。

考慮上面3個點A、B和C。從圖中我們可以確定A是×類別的，然而C我們是不太確定的，B還算能夠確定。這樣我們可以得出結論，我們更應該關心靠近中間分割線的點，讓他們盡可能地遠離中間線，而不是在所有點上達到最優。

因為那樣的話，要使得一部分點靠近中間線來換取另外一部分點更加遠離中間線。我想這就是支持向量機的思路和logistic回歸的不同點，一個考慮局部（不關心已經確定遠離的點），一個考慮全局（已經遠離的點可能通過調整中間線使其能夠更加遠離）。這是我的個人直觀理解。

形式化表示

我們這次使用的結果標簽是y=-1,y=1，替換在logistic回歸中使用的y=0和y=1。同時將替換成w和b。

以前的，其中認為。現在我們替換為b，后面替換為（即）。這樣，我們讓，進一步。

也就是說除了y由y=0變為y=-1，只是標記不同外，與logistic回歸的形式化表示沒區別。再明確下假設函數

上一節提到過我們只需考慮的正負問題，而不用關心g(z)，因此我們這里將g(z)做一個簡化，將其簡單映射到y=-1和y=1上。映射關系如下：

函數間隔（functional margin）和幾何間隔（geometric margin）

給定一個訓練樣本，x是特征，y是結果標簽。i表示第i個樣本。我們定義函數間隔如下：

可想而知，當時，在我們的g(z)定義中，，的值實際上就是。反之亦然。

為了使函數間隔最大（更大的信心確定該例是正例還是反例），當時，應該是個大正數，反之是個大負數。因此函數間隔代表了我們認為特征是正例還是反例的確信度。

繼續考慮w和b，如果同時加大w和b，比如在前面乘個系數比如2，那么所有點的函數間隔都會增大二倍，這個對求解問題來說不應該有影響，因為我們要求解的是，同時擴大w和b對結果是無影響的。

這樣，我們為了限制w和b，可能需要加入歸一化條件，畢竟求解的目標是確定唯一一個w和b，而不是多組線性相關的向量。這個歸一化一會再考慮。

剛剛我們定義的函數間隔是針對某一個樣本的，現在我們定義全局樣本上的函數間隔

說白了就是在訓練樣本上分類正例和負例確信度最小那個函數間隔。

接下來定義幾何間隔

假設我們有了B點所在的分割面。任何其他一點，比如A到該面的距離以表示，假設B就是A在分割面上的投影。

我們知道向量BA的方向是（分割面的梯度），單位向量是。A點是，所以B點是x=（利用初中的幾何知識），帶入得，

進一步得到

實際上就是點到平面距離。

再換種更加優雅的寫法：

當時，不就是函數間隔嗎？是的，前面提到的函數間隔歸一化結果就是幾何間隔。

他們為什么會一樣呢？因為函數間隔是我們定義的，在定義的時候就有幾何間隔的色彩。同樣，同時擴大w和b，w擴大幾倍，就擴大幾倍，結果無影響。同樣定義全局的幾何間隔

最優間隔分類器（optimal margin classifier）

回想前面我們提到我們的目標是尋找一個超平面，使得離超平面比較近的點能有更大的間距。也就是我們不考慮所有的點都必須遠離超平面，我們關心求得的超平面能夠讓所有點中離它最近的點具有最大間距。

形象的說，我們將上面的圖看作是一張紙，我們要找一條折線，按照這條折線折疊后，離折線最近的點的間距比其他折線都要大。形式化表示為：

這里用=1規約w，使得是幾何間隔。

到此，我們已經將模型定義出來了。如果求得了w和b，那么來一個特征x，我們就能夠分類了，稱為最優間隔分類器。接下的問題就是如何求解w和b的問題了。

由于不是凸函數，我們想先處理轉化一下，考慮幾何間隔和函數間隔的關系，，我們改寫一下上面的式子：

這時候其實我們求的最大值仍然是幾何間隔，只不過此時的w不受的約束了。然而這個時候目標函數仍然不是凸函數，沒法直接代入優化軟件里計算。我們還要改寫。

前面說到同時擴大w和b對結果沒有影響，但我們最后要求的仍然是w和b的確定值，不是他們的一組倍數值，因此，我們需要對做一些限制，以保證我們解是唯一的。

這里為了簡便我們取。這樣的意義是將全局的函數間隔定義為1，也即是將離超平面最近的點的距離定義為。由于求的最大值相當于求的最小值，因此改寫后結果為：

這下好了，只有線性約束了，而且是個典型的二次規劃問題（目標函數是自變量的二次函數）。代入優化軟件可解。

到這里發現，這個講義雖然沒有像其他講義一樣先畫好圖，畫好分類超平面，在圖上標示出間隔那么直觀，但每一步推導有理有據，依靠思路的流暢性來推導出目標函數和約束。

—版權聲明—

僅用于學術分享，版權屬于原作者。

若有侵權，請聯系 刪除或修改！

轉自：JerryLead

http://www.cnblogs.com/jerrylead/archive/2011/03/13/1982639.html

編輯：jq