定义
线性可分(Linear Separable)
二维
三维
特征空间维度 四维 时,二维的情况下分割圆圈和叉的直线。
线性不可分(Nonlinear Separable)
不存在一条直线
二维
三维
特征空间维度 四维 时,三维的情况下,分割圆圈和叉的平面将会变成超平面(Hyperplane)。由于人眼对空间的感知仅仅局限于三维,所以说我们无法直观的画出一个图。
数学化定义
在四维以及四维以上的情况说明线性和线性不可分的情况,必须借助数学对线性可分和线性不可分给出一个精确的定义。
假设:,则
用数学严格定义训练样本以及他们的标签
假设:我们有N个训练样本和他们的标签
其中 ,
是向量, 是 的标签。
我们规定 属于 ,则 ; 属于 ,则 。
线性可分的严格定义:一个训练样本集 ,在 线性可分,是指存在 ,使得对 ,有:
(1)若 ,则
(2)若 ,则
假设:
(1)若 ,则
(2)若 ,则
线性可分定义的最简化形式
如果 或 ,则上面两个公式可以合为一个。
一个训练样本集 ,在 线性可分,是指存在 ,似的对 ,有:
问题描述
支持向量机算法
1、解决线性可分问题
2、再将线性可分问题中获得的结论推广到线性不可分情况
如何解决线性可分问题?
二维特征空间中的二分类问题
如图,哪条线更好?
2号线更能抵御训练样本位置的误差。
基于最优化的理论,将寻找2号线的过程变成了一个最优化的问题。
Veapick给出的回答:
假设对于任意一条分开圆圈和叉这两类的直线,把这条直线朝一侧平行的移动,直到它插到或几个训练样本位置。同时,也把这条直线朝另外一侧平行的移动,直到它插到或几个训练样本位置。
我们定义这两条虚线,它也都是平行的。
我们定义这两条平行线插到的训练样本叫做这个数据集的支持向量(Support Vectors),把这两条平行线之间的距离叫做间隔(Margin Vipic)。
断言我们想要求的2号线是使间隔margin最大的一条线。需要比较1、2、3号3条件的间隔margin。
显然2号线的margin间隔比1号线、3号线都要大。支持向量机要找的是使间隔margin最大的那一条直线。
为了让找到的直线唯一,还需要定义这条线应该再多上下两条平行线,就是图中的两条虚线所示,这条线在上下两个平行线的正中间,也就是这条线到左右两边所有的支持向量距离应该相等。
总结
在线性可分的条件下,支持向量机寻找的最优的分类直线应该满足下面三个条件:
- 该直线分开了两类;
- 该直线最大化间隔(margin);
- 该直线处于间隔的中间,到所有支持向量距离相等。
上述的结果,都是基于二维特征空间的结果。在高维的特征空间中,直线将变成超平面。但以上的结论却是一致的。
优化问题
线性可分定义
一个训练样本集 ,在 线性可分,是指存在 使:
(1)若 ,则
(2)若 ,则
假定训练样本集是线性可分的
支持向量机需要寻找的是最大化 间隔(Margin)的超平面。
可以写出如下形式:
1、最小化(Minimize):
2、限制条件:
已知:训练样本集 , ;
待求:
回顾【问题描述】
支持向量机需要找一个超平面,使它的间隔最大;
离两边所有支持向量的距离相等。
事实1:
是同一个超平面。
事实2:
一个点 到超平面 的距离
点到超平面的距离公式
一个点 到超平面 的距离
支持向量机优化问题推导中最难理解的部分
用 去缩放
最终使在支持向量 上有 ,而在非支持向量上
根据【事实1】 表示的超平面和 表示的超平面是同一个平面。
参数 去缩放
根据【事实2】,支持向量 到超平面的距离将会变为:
最大化支持向量机到超平面的距离 等价于最小化
优化问题定为:
最小化:
最小化:
限制条件:
支持向量到超平面的距离为:
在非支持向量上
其中 协调超平面的左右
如果把 限制条件改成: ,那么会跟原来的相差一个 ,根据【事实1】,他们代表的是用一个平面。
总结
线性可分的情况下,支持向量机寻找最佳超平面的优化问题可以表示为:
凸优化(Convex Optimization) 只有唯一一个全局极值
最小化(Minimize):
限制条件:
在这个训练数据以及 是已知的,而 是待求的。
二次规划的定义:
(1)目标函数(Objective Function)是二次项。
目标函数:
(2)限制条件是一次项。
限制条件:
要么无解,要么只有唯一的最小值。
凸优化问题的例子
根据梯度不断试探。
先找到一个 和对应的 ,然后在 的旁边再找到一个 和对应的
一个优化问题是凸的 总能找到高效快速算法去解决它
用凸优化解出的支持向量机最佳分类超平面的例子:
标签:MOOC,支持,20%,超平面,线性,训练样本,向量 From: https://blog.csdn.net/Jay_NanX/article/details/143432581