SVM算法

最新推荐文章于 2025-03-18 23:12:12 发布

阿什么名字不会重复呢

最新推荐文章于 2025-03-18 23:12:12 发布

阅读量853

点赞数 30

文章标签：支持向量机算法机器学习

本文链接：https://blog.youkuaiyun.com/m0_74035163/article/details/142985467

版权

支持向量机（SVM）是一种常用于分类和回归的机器学习算法，特别适合处理二分类问题。它的核心思想是通过找到一个超平面来将不同类别的样本分开，并且这个超平面与各个类别之间的间隔最大，也就是最大化分类的边界，从而提高模型的泛化能力。

简单地说，SVM会在数据集中找到一条线（在高维空间里是超平面），使得这条线能够最清楚地把两类数据分开，并尽可能远离两类数据的边界点，称为“支持向量”。

SVM的关键特点：

最大化分类边界：它通过找到使分类间隔最大的超平面来提高分类的准确性。
支持非线性分类：通过使用核函数（比如常见的RBF核）将数据映射到高维空间，能够处理非线性分类问题。
处理高维数据：SVM适合处理维度较高的数据，并且在小样本的情况下表现良好。

一个简单例子：

如果你有两个类别的数据点，SVM会找到一条线（或者高维空间的超平面）把这两类数据分隔开，并且确保这条线离每类数据点最远。这样，当遇到新的数据时，它可以根据位置来决定它属于哪一类。

SVM的应用非常广泛，如图像分类、文本分类、甚至生物信息学等。

SVM的基本思想是通过数学手段找到能够最大化分类间隔的超平面。

SVM 算法的基本步骤：

数据表示：
假设我们有两个类别的数据点。每个数据点可以表示为向量 (x_i)，并且有对应的标签 (y_i)，标签要么是 1（正类），要么是 -1（负类）。目标是找到一个超平面来将这些数据分成两类。
超平面方程：
超平面可以写成：
[
w \cdot x + b = 0
]
其中：
- (w) 是超平面的法向量，决定超平面的方向。
- (b) 是偏置，决定超平面与原点的距离。
- (x) 是输入数据点。
这个超平面将数据点分成两类：
- ( w \cdot x + b > 0 ) 时，属于正类（1类）。
- ( w \cdot x + b < 0 ) 时，属于负类（-1类）。
最大化间隔：
我们希望找到一个超平面，使得正类和负类之间的间隔最大。间隔就是从支持向量到超平面的距离。我们要最大化的间隔可以写作：
[
\text{间隔} = \frac{2}{|w|}
]
这里 (|w|) 是 (w) 的范数（即长度），所以为了最大化间隔，我们实际上要最小化 (|w|)。
约束条件：
为了保证数据点被正确分类，我们需要满足以下条件：
[
y_i (w \cdot x_i + b) \geq 1
]
这个不等式意思是：
- 对于正类点，要求 (w \cdot x_i + b \geq 1)。
- 对于负类点，要求 (w \cdot x_i + b \leq -1)。
优化问题：
我们的目标就是在满足这些约束条件的情况下，最小化 (\frac{1}{2} |w|^2)。于是，SVM就变成了一个凸优化问题：
[
\min \frac{1}{2} |w|^2
]
使得对于每一个数据点 (i) 来说，约束 (y_i (w \cdot x_i + b) \geq 1) 成立。
拉格朗日乘子法：
为了求解这个优化问题，我们引入拉格朗日乘子 (\alpha_i)，将约束条件和目标函数合并成一个拉格朗日函数：
[
L(w, b, \alpha) = \frac{1}{2} |w|^2 - \sum_{i=1}^{n} \alpha_i [y_i (w \cdot x_i + b) - 1]
]
然后我们通过对 (w) 和 (b) 求偏导，得到优化解。
决策函数：
最终，当我们求得 (w) 和 (b) 后，新的数据点 (x) 的分类结果可以通过以下公式计算：
[
f(x) = \text{sign}(w \cdot x + b)
]
如果 (f(x) > 0)，则 (x) 属于正类；如果 (f(x) < 0)，则 (x) 属于负类。