今天想跟大家聊聊SVM

阅读大概需要5分钟

跟随小博主，每天进步一丢丢

Motivation

之前我在自己的简书上写过SVM，可是当时写的只是皮毛（主要是现在忘了O.O），那么现在想再次拾起的原因是什么呢？

8.2-8.4号在听SMP会议的时候，发现SVM其实还是很常用的（在其他的计算机相关领域）。

在论文中数据的baseline中，基本很多都是SVM做基线。

我觉得未来算法的趋势应该是深度学习方法+传统的机器学习方法。这样说的原因在于我了解到了我之前参加的CAIL2018比赛的第一名有一个任务用的就是这两者的结合（一种方法是将深度学习的特征向量作为传统机器学习的输入）。

目前经典的机器学习算法我觉得有两个：SVM和决策树系列。所以目前先从SVM开始整理下，巩固下记忆。

简单了解什么是SVM

SVM，Support Vector Machine支持向量机（也被叫做支撑向量机）。曾经因为SVM的出现，淹没了之前的一次深度学习革命。但是现在深度学习找到突破口又一次卷土重来，淹没了SVM，但是在一些和计算机交叉的领域，SVM还是有自己的一席之地，因为，并不是任何任务都能用深度学习来做的，比如一些小数据。SVM既能做分类，也能做回归，目前先从分类说起。

SVM提出的缘由

比如有一组数据

我们可以在这两组数据中间任意画一条线作为分割，比如下面的两条线

但是这样会导致线的不确定性，也会导致分类的还不确定性。这样的分类存在局限性，比如有一个测试点在这里

在上述分类情况中，你说它应该属于哪一类呀？当然应该属于蓝色的类别，但是实际上它应该属于红色的类别。像上述的分类情况，没有泛化能力。那么怎么设置分类边界呢？大家应该都能猜出来，就是离这两类边界处的点尽可能的远。如下

使得边界点距离分类线最大，这个方法就是SVM。

SVM理论

SVM就是寻找一个最优的决策边界，距离两个类别的最近的样本最远，其中最近的样本点称为支持（支撑）向量：

转化成数学问题，就是使得中间的直线距离两边的直线的间隔（margin）最大（这两边的直线的斜率是一样的），也就是SVM算法就是最大化margin。

确定决策线（分类线）的表达式

线的表达式为Ax1 + Bx2 + C = 0，其中ABC为参数，为了写成矩阵的形式，这里将ABC写为：

w1x1 + w2x2 + b = 0

矩阵形式为

[w1, w2].T * [x1, x2] + b = 0

简写为

W.T * X + b = 0

接下来要用到距离公式，这里先摆出来：

而改完之后的距离公式为：

其中

现在我们知道中间的决策线公式为

现在设置红色点label y=1，蓝色点label y=-1（这样设置y值是为了后续的计算方便，当然取别的值也可以），边界直线到决策线长度为d，那么就有公式：

因为d>0，现在做个变换（分母同除以d）：

这里可以看设置W.T / ||W||d 为W.T_d，b / ||W||d 为b_d:

此时可以得出这三条线的公式分别为

而我们看中间的线，右边是0，左右两边同时除以一个常数||W||*d，是不影响这个直线的，所以改为

这个时候，我们可以看出

参数都为W.T_d和b_d，所以我们可以统一替换为W.T和b，就相当于重新命名而已（该W.T和b非之前的W.T和b）：

最后再对条件公式做一个变形：

大家应该能看懂，仅仅为了方便计算。

现在我们的优化目标就是最大化距离：

而数据都是在两边线线上和线外，所以 |W.T*X + b| 的结果永远大于等于1，所以优化的目标只有||W||：

也就是

而为了容易求导和计算，改为;

该公式即为目标函数。

最终问题转化为数学公式：

（该公式为数学中常见的有条件的数学优化问题。）

PS. 今天就到这里吧，希望对大家有帮助。写这个用的时间有点多，老板催着标语料呢O.O痛苦。原本是将代码也放上来的，啊啊。

接下来会接着讲代码，核函数，多分类和回归的理论与实践。敬请期待！！

IELTS a bit

pragmaticadj. 实际的；实用主义的；国事的

spasmn. 痉挛；抽搐；一阵发作

interdependentadj. 相互依赖的；互助的

contemptn. 轻视，蔑视；耻辱

distract from转移；使从...分心