SVM从初始到应用

一、前述

SVM在2012年前还是很牛逼的，但是12年之后神经网络更牛逼些，但我们还是很有必要了解SVM的。

二、具体

1、问题引入

要解决的问题：基于以下问题对SVM进行推导

3条线都可以将两边点分类，什么样的决策边界才是最好的呢？ 特征数据本身如果就很难分，怎么办呢？计算复杂度怎么样？能实际应用吗？

2、案例引入

假设有一个部队过雷区，我们肯定希望走的边界越大越好，这样踩雷的风险就低。

决策边界：选出来离雷区最远的（雷区就是边界上的点，要Large Margin），第二个肯定比第一个效果好。

我们希望找到离决策边界最近的点，这样就找到了决策边界。

所以，假设决策边界是一个阴影平面，求点到平面的距离转换成点到点的距离，然后再垂直方向上的投影。

数据标签定义：

优化的目标：找到一个w.b使得距离最近的点离这条线最远。

目标函数再化简：

继续转换：

SVM求解：

怎么样求a的值呢？请看下面一个例子：

SVM求解实例：

所以引出SVM的中文含义：支持向量

总结：所有边界上的点a必然不等于0，所有非边界上的点a必等于0。支持向量机中的机就是边界的意思，支持向量就是边界点,a不为0的点，决定边界。

当取60个样本点和120个样本点时，只要添加的不是边界上的样本点，那么决策边界就是不变的。

3、解决软间隔问题

4、解决低维不可分情况

低维不可分问题，转变为空间中高维可分问题，这就是核变换。

核函数就是低维到高维的映射就是X之前的变换。