支持向量机 Support Vector Machine

要解决的问题：什么样的决策边界最好、特征数据本身很难分等等。

决策边界：选出离数据区最远的 （Large Margin）

距离计算

假设如图：

consider x' , x''  on hyperplane

平面：

则：

 

则：

label : 

 映射

           

           

                        

优化目标：

找到一条直线（w和b），使得离该线最近的点最远

distance化简：

放缩变换：

对于决策方程（w，b）可通过放缩使 |Y| >= 1，使更严格

目标：

所以考虑：

即   

应用 拉格朗日乘子法

KKT性质：

极小值求解：

实例：

带入原式，解得：

以下a代替α。

对a1  a2求骗到，等于0得： a1=1.5   a2=-1，不满足约束条件，解在边界上。

a1=0，a2=-2/13 不满足

a1=0.25，a2=0  满足

所以最小值在（0.25，0，0.25 ）取得。带入解得平面方程：

0.5x1 + 0.5x2 - 2 =  0

“支持向量机”：

边界由a不为0的点（边界上的点）构成，非边界点a必为0。由支持向量构成。

soft-margin 软间隔

排除噪音点对决策边界的影响。引入松弛因子：

新目标函数：

C大，要求严格；C小，错误容忍。C需要指定。

同样使用拉格朗日乘子法得：

 

核变换

低维不可分映射到高维，在低维中完成运算。