支持向量机SVM

支持向量机(SVM)是一种强大的机器学习算法,通过求解对偶问题实现最大间隔分类。本文详细介绍了SVM的公式推导,包括从原问题到对偶问题的转换,以及对偶问题的求解步骤。重点讨论了拉格朗日乘子、SMO算法和核函数的作用。SVM在解决线性与非线性分类问题中表现出色,但也有其局限性,如计算复杂度和对核函数的依赖。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

参考:

http://www.cnblogs.com/CheeseZH/p/5265959.html

http://blog.sina.com.cn/s/blog_5eef0840010147pa.html

http://www.cppblog.com/sunrise/archive/2012/08/06/186474.html


关键词:最大间隔分类器,支持向量,svm公式推导,拉格朗日 kkt条件 对偶问题 smo算法 常用核函数 rbf核函数 01损失 hinge损失 软间隔 松弛变量 多分类 libsvm参数


svm公式推导

原问题:

通过拉格朗日对偶性(Lagrange Duality),求解与原问题等价的对偶问题(dual problem得到原始问题的最优解。这样做的优点在于:一者对偶问题往往更容易求解;二者可以自然的引入核函数,进而推广到非线性分类问题。

    然后令

目标函数变成了:

 这里用表示这个问题的最优值,且和最初的问题是等价的。如果直接求解,那么一上来便得面对w和b两个参数,而又是不等式约束,这个求解过程不好做。不妨把最小和最大的位置交换一下,变成:

    交换以后的新问题是原始问题的对偶问题,这个新问题的最优值用来表示。而且有,在满足某些条件的情况下,这两者相等,这个时候就可以通过求解对偶问题来间接地求解原始问题。

    换言之,之所以从minmax的原始问题,转化为maxmin的对偶问题,一者因为的近似解,二者,转化为对偶问题后,更容易求解。

对偶问题求解的3个步骤

(1)、首先固定要让  L  关于  w  和  b  最小化,我们分别对w,b求偏导数,即令  L/

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值