Hard

什么是Hard-Margin SVM？指的是这个向量机只适用于“数据完全可分（seperately）”的情况。

（一）什么是支持向量机？

上述三条直线，选择哪一条比较好？直觉上来说，最右面的那条直线最好。因为它的Margin比较胖，对数据点中混杂的噪声容忍度更高，更加robust。所以以后我们在计算w的时候，加上一个限制条件：寻找Margin最胖的w。

w能将所有的点分开，等价于：对于所有的点，有y_nw^Tx_n > 0.

首先需要解决一个问题：如何衡量distance？

为了更好的表达这个问题，我们先明确一下符号的含义：

把w拆成两部分。

现在我们已经知道了distance如何衡量，我们的问题转化成：

这个问题是什么呢？以二维直线为例：对于一堆可以把所有数据点正确分类的直线，选择margin（b，w）最大的直线。

现在来想：这些直线都是可以scaling的，假设我scaling所有的w，使得：

再次转化问题：

现证明最终形式等价于上一个形式：

对于所有n条件下，寻找最小的|w|。假设找到一组(b,w)。且对于所有的n，有（a>1）。必然存在一组(b/a, w/a)，满足条件，且具有更小的|w|。存在矛盾，所以必然有a=1.那么问题就等于于：。证明完毕。

上述形式即为支持向量机。

我们可以看出，对于支持向量机，相当于在线性模型上加了一个限制条件，使得VC dimension减小。

具体的有：

这里的ρ代表的就是margin的大小。

支持向量机的好处是：

（二）如何计算SVM（1）

对于SVM这种形式呢，我们可以用一个叫做“二次规划”的工具来求解。

“二次规划”是一个工具程序，我们只要把SVM的输入输出改写成符合“二次规划”要求的输入输出，利用现有的工具计算即可。

（三）如何计算SVM（2）

对于non-linear SVM，数据点的维度非常大

现在的问题是：对于nonlinear SVM，如何实现下述目标？

这需要非常多的数学知识，下面只讲概况。

1）首先使用Lagrange Multipliers

SVM问题转化为：。

2）对偶问题

其对偶问题只不过是将max与min位置互换。

补充说明：只有满足KKT condition的情况下，原问题（primal）与对偶问题（dual）的最优解相同。

（第四个条件：primal-inner optimal，可以通过Lagrange Multipliers那一张PPT解释）

继续求解：

再根据KKT condition，我们可以利用α的值，表达出optimal （b，w）

PS：

1）根据，当α_n大于0时，必然有，也即：第n个数据点在margin上；

2）同时，在计算w和b的时候，只有大于0的α_n起作用。

所以对于α_n> 0的数据点(z_n, y_n)称之为支持向量。

这个支持向量不同于之前我们定义的支持向量，因为两个都为0的情况没有考虑。

问题真的解决了么？没有。两个问题：

1）如果N很大的话，例如N=30000，那么单单存储Q矩阵（N*N）就需要>3G RAM。所以我们需要特殊的、为SVM定制的QP程序；

2）我们并没有实现目标，只是把计算复杂度给隐藏了。

（四）真正解决SVM：核函数

举一个例子：

这样的话：

OK，现在SVM问题解决了！

补充一点关于核函数的知识：

1）对于Polynomial 核函数，我们最常用的形式是：如下第三种形式

2）最好先从Q=1开始（先从线性模型开始做）

3）高斯核函数

因为高斯核函数很难从物理角度解释，所以使用的使用必须慎重的选择参数：

3）三种核函数比较：

原文：http://www.cnblogs.com/wangyanphp/p/5498858.html