我们思考这样一个问题,给两个标签,蓝色和红色点,数据有两个特征(x,y)。我们想要一个分类器,给定一对(x,y),能找到很好的分类边界,判断是蓝色点还是红色点。对于下图的数据,我们如何解决呢。本文通过引入Support Vector Machine(SVM)算法来详解此类问题。
针对前面介绍的机器学习之线性回归、机器学习之Logistic回归,我们已经了解Cost Function的概念,这里我们利用Logistic Regression的损失函数来引入SVM损失函数。
我们设C为非常大的值,例如1000000。
SVM是一个最大间隔分类器,如下图所示,我们可以把黑线、红线、蓝线中任意一条当作decision boundary,但重点是哪一条最好呢?我们将在模块3中详细介绍为什么SVM能形成最大间隔分类器和如何正确选择分类边界。
我们希望一条直线可以很好的分开正样本和负样本,但当有一个异常点时,我们需要很大范围的改变直线,当然这是不理智的。黑色线时C很大的情况,红色线时C不是非常大,C设置很大表示对分类错误的惩罚。
那么除了将fn定义为x的幂次项组合,还有其他方法表示f吗?此处我们引入核函数,对于非线性拟合,我们通过输入原始向量与landmark点之间的相似度来计算核值f,我们称相似度函数为核函数,下述核函数为高斯核函数。
x和l越相似,f越接近于1。x和l相差越远,f越接近于0。
下图中横坐标为x的两个维度值,高为f。制高点为x=l的情况,此时f=1。随着x与l的远离,f逐渐下降,趋近于0。
我们选择m个训练数据,并取这m个训练数据为m个landmark点(不考虑正样本还是负样本)。
如下图所示,这里与之前的损失函数区别在于用kernel f代替了x。
通常我们会从一些常用的核函数中选择,根据问题数据的不同,选择不同的参数,实际上就是得到不同的核函数。经常用到的核函数包括线性核、多项式核、高斯核。
由于本篇幅文章过长,我们将在下篇文章内详细介绍SVM算法中对偶问题的求解、C为何设置非常大、几种不同的核函数、SVM应用。由于文中有较多公式,所以我转为图片上传,如想看清晰版请点击原文链接或去我的个人博客,如你在文中发现错误,欢迎指出,我会尽快更正。
你看到的这篇文章来自于公众号「谓之小一」,欢迎关注我阅读更多文章。