SVM原理详解

写在前面：SVM是机器学习中占有一定分量的经典算法，也是找工作时，如机器学习工程师等岗位面试的时候，面试官肯定会提及的算法题，如果能够对其原理和推导过程有一定深度的认识，将是非常加分的。

一、大致解释

SVM（支持向量机Support Vector Machine）是一种二分类模型，它的原理是在特征空间中找到一个最大的超平面，使得所有样本到该平面的距离最大（求样本集合到平面的距离，也就是求最近的样本点到超平面的距离），我们的学习目标则是让这个距离最大。详见下图：

两类样本集合到超平面的距离就是两条虚线到中间实线的距离。我们的目标就是让这个距离最大，这样得到的分类器才是最优的。

二、什么是最大间隔，函数距离or几何距离

对于一个超平面Wx+b=0来说，Yi|WXi+b|定义为函数距离，Yi表示点的类别（1或-1），Xi要看成一个多维的特征向量（而非一个实数）。|WXi+b|/|W|定义为几何距离（即函数距离除以|W|），几何距离更能够消除由于W的数值缩放带来的影响。

这样的话，我们就确定了优化目标，F=|WXi+b|/|W|，为了求解方便，我们令分子（也就是函数距离）为1，这样我们的优化目标就变成了F=1/|W|，即：

下面这张图是我看过的比较完整的关于令函数距离为1的解释，感觉也是最好理解的

三、什么是支持向量？

首先来看一张图，如下：

如上图所示，中间的实线就是支持向量，两条虚线到实线的距离是r，即我们的优化目标，虚线上的所有点都是支持向量，我的理解是，支持向量就是虚线所在的这条直线，因为只要虚线的位置变化，那么分类超平面也会变化，它起着支持分类超平面的作用（仅个人理解）线

在支持向量上的点，都满足|Yi（W*Xi+b）|=1，不在支持向量上的点，显然|Yi（W*Xi+b）|>1

四、从线性可分到线性不可分

（1）原始问题到对偶求解：之前的目标函数如下所示

由于我们求解方法一般都是最小化目标函数，所以目标函数可以转化为：

（前面的1/2只是为了求导的时候，把2消去，便于计算）

现在实际上就是在约束条件下求最优解，这时候我们可以用拉格朗日乘数法求解。构建拉格朗日函数：

最终目标函数：

我们最优解用d表示，转化成如下形式：

先对W，b求最小，再对a（拉格朗日乘子）求最大

（2）对偶问题的求解步骤

（3）核函数

核函数实际上就是一个映射，把一个低维空间映射到高维空间，从而让线性不可分变成线性可分。但是映射到高维空间之后，只需在高维空间进行计算，而无需进行低维空间的复杂计算

（4）松弛变量：为了减小离散点（异常样本点）的影响

参考文档：链接：https://pan.baidu.com/s/1ggHrd9x 密码：971p