机器学习之理解支持向量机SVM_技术

平时都是直接使用现成的libsvm，虽然对于SVM原理理解有一定的难度，但是仍然试着知其然，亦知其所以然。本文主要是SVM的概念性的分享。

基本概念

支持向量机（Support Vector Machine，SVM）是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。

支持向量机，其含义是通过支持向量运算的分类器。其中“机”的意思是机器，可以理解为分类器。

什么是支持向量呢？在求解的过程中，会发现只根据部分数据就可以确定分类器，这些数据称为支持向量。

见下图，在一个二维环境中，其中点R，S，G点和其它靠近中间黑线的点可以看作为支持向量，它们可以决定分类器，也就是黑线的具体参数。

支持向量机（Support vector machines，SVM）与神经网络类似，都是学习型的机制，但与神经网络不同的是SVM使用的是数学方法和优化技术。

为了更好的理解SVM，下面从logisTIc回归出发，引出了SVM，既揭示了模型间的联系，也让人觉得过渡更自然。

重新审视logisTIc回归

LogisTIc回归目的是从特征学习出一个0/1分类模型，而这个模型是将特性的线性组合作为自变量，由于自变量的取值范围是负无穷到正无穷。因此，使用logisTIc函数（或称作sigmoid函数）将自变量映射到（0，1）上，映射后的值被认为是属于y=1的概率。

形式化表示就是

假设函数

其中x是n维特征向量，函数g就是logistic函数。

那么g（z）的图像是

可以看到，将无穷映射到了（0，1）。

而假设函数就是特征属于y=1的概率。

当我们要判别一个新来的特征属于哪个类时，只需求hθ（x），若大于0.5就是y=1的类，反之属于y=0类。

再审视一下hθ（x），发现hθ（x）只和θT有关，θT（x）》0，那么hθ（x）》0.5，g（z）只不过是用来映射，真实的类别决定权还在θT（x）。还有当时θT（x）≥0，hθ（x）=1，反之hθ（x）=0。如果我们只从θT（x）出发，希望模型达到的目标无非就是让训练数据中y=1的特征θT（x）≥0，而是y=0的特征θT（x）≤0。Logistic回归就是要学习得到θ，使得正例的特征远大于0，负例的特征远小于0，强调在全部训练实例上达到这个目标。

图形化表示如下：

中间那条线是θT（x），logistic回顾强调所有点尽可能地远离中间那条线。学习出的结果也就中间那条线。考虑上面3个点A、B和C。从图中我们可以确定A是×类别的，然而C我们是不太确定的，B还算能够确定。这样我们可以得出结论，我们更应该关心靠近中间分割线的点，让他们尽可能地远离中间线，而不是在所有点上达到最优。因为那样的话，要使得一部分点靠近中间线来换取另外一部分点更加远离中间线。我想这就是支持向量机的思路和logistic回归的不同点，一个考虑局部（不关心已经确定远离的点），一个考虑全局（已经远离的点可能通过调整中间线使其能够更加远离）。这是我的个人直观理解。

形式化表示

函数间隔（functional margin）和几何间隔（geometric margin）

刚刚我们定义的函数间隔是针对某一个样本的，现在我们定义全局样本上的函数间隔

说白了就是在训练样本上分类正例和负例确信度最小那个函数间隔。

接下来定义几何间隔，先看图

最优间隔分类器（optimal margin classifier）

回想前面我们提到我们的目标是寻找一个超平面，使得离超平面比较近的点能有更大的间距。也就是我们不考虑所有的点都必须远离超平面，我们关心求得的超平面能够让所有点中离它最近的点具有最大间距。形象的说，我们将上面的图看作是一张纸，我们要找一条折线，按照这条折线折叠后，离折线最近的点的间距比其他折线都要大。形式化表示为：