SVM目标函数的由来
2017-02-07 16:17
197 查看
1. SVM是什么
SVM分类的原理就是找到一个超平面(假设数据是线性可分的),这个超平面满足两个要求:
1. 所有数据点被完美地分成两类
2. 所有数据点离超平面距离越远越好
2. 若干定义
为了量化以上要求,我们先定义一些概念:
feature:x
class:y=+1 or −1
function margin: γ^=y(wTx+b)
geometrical margin: γ~=γ^∥w∥
3. 如何满足两个条件
(1) 要满足条件1,很简单,只需要满足yi(wTxi+b)>0,i=1,2,...
(2) 要满足条件2,比较复杂,我们可以这样做:
条件2等效于:让离超平面最近的点的geometrical margin越大越好。
假设最近点的geometrical margin为γ~,那么自然其他点的geometrical margin都会大于γ~。
所以条件2
=maxγ~ s.t. yi(wTxi+b)∥w∥=γ^i∥w∥=γ~i≥γ~,i=1,2,...
=maxγ^∥w∥ s.t. yi(wTxi+b)=γ^i≥γ^,i=1,2,...
若固定γ^=1则条件2
=max1∥w∥ s.t. yi(wTxi+b)≥1,i=1,2,...
其实条件2已经包含条件1,
至此,得出SVM的目标函数就是条件2:
max1∥w∥ s.t. yi(wTxi+b)≥1,i=1,2,...
备注:
此处还可以知道为什么超平面会处于支持向量中间位置?因为如果γ~还不够大,那么超平面会往大的方向移动一点,一直移动到中间位置γ~时达到最大,如果移动超过了中间位置,那么γ~会又变小,因为此时距离超平面最近的点已经不是原来的那个点了。
SVM分类的原理就是找到一个超平面(假设数据是线性可分的),这个超平面满足两个要求:
1. 所有数据点被完美地分成两类
2. 所有数据点离超平面距离越远越好
2. 若干定义
为了量化以上要求,我们先定义一些概念:
feature:x
class:y=+1 or −1
function margin: γ^=y(wTx+b)
geometrical margin: γ~=γ^∥w∥
3. 如何满足两个条件
(1) 要满足条件1,很简单,只需要满足yi(wTxi+b)>0,i=1,2,...
(2) 要满足条件2,比较复杂,我们可以这样做:
条件2等效于:让离超平面最近的点的geometrical margin越大越好。
假设最近点的geometrical margin为γ~,那么自然其他点的geometrical margin都会大于γ~。
所以条件2
=maxγ~ s.t. yi(wTxi+b)∥w∥=γ^i∥w∥=γ~i≥γ~,i=1,2,...
=maxγ^∥w∥ s.t. yi(wTxi+b)=γ^i≥γ^,i=1,2,...
若固定γ^=1则条件2
=max1∥w∥ s.t. yi(wTxi+b)≥1,i=1,2,...
其实条件2已经包含条件1,
至此,得出SVM的目标函数就是条件2:
max1∥w∥ s.t. yi(wTxi+b)≥1,i=1,2,...
备注:
此处还可以知道为什么超平面会处于支持向量中间位置?因为如果γ~还不够大,那么超平面会往大的方向移动一点,一直移动到中间位置γ~时达到最大,如果移动超过了中间位置,那么γ~会又变小,因为此时距离超平面最近的点已经不是原来的那个点了。
相关文章推荐
- SVM支持向量机目标函数及参数训练过程说明解读
- SVM——(四)目标函数求解
- SVM入门(1)--优化目标函数的来龙去脉
- SVM——(一)线性可分之目标函数推导方法1
- SVM熟练到精通2:SVM目标函数的dual优化推导
- SVM——(六)软间隔目标函数求解
- SVM——(二)线性可分之目标函数推导方法2
- svm相关理解
- 写blog的由来
- 支持向量机通俗导论(理解SVM的三层境界)
- “UML应用实作细节”(by Think, UMLChina)复习笔记(1)——由来
- 使用svm 对参数寻优的时候出现错误
- 几个IT公司名字的由来(中文版)
- SVM(支持向量机)算法原理和实际应用
- COM的由来(一)
- SVM——转载自郭小贤
- [转] 千里马肝的由来
- 简单实现一个人脸检测器(HOG+SVM实现人脸检测)
- 收藏的比较完整的元宵节的由来与传说来历
- 【一起学OpenFOAM】系列由来