【机器学习算法模型】1. SVR模型推导
【机器学习算法模型推导】1. SVR算法介绍与推导
文章目录
- 【机器学习算法模型推导】1. SVR算法介绍与推导
- 一、SVR算法
- 1.SVR简介
- 2.SVR数学模型
- 2.1 SVR目标函数
- 2.2 为了最小化目标函数,根据约束条件,构造拉格朗日函数
- 2.3 原问题的对偶问题
- 2.4 分别对ω,b,ξi,ξi∗\omega,b,\xi_i,\xi_i^*ω,b,ξi,ξi∗求偏导,并令偏导为0
- 2.5 用SMO算法求解SVR
一、SVR算法
SVR做为SVM的分支从而被提出。SVM一般用于二分类问题,而SVR一般应用于数据的拟合。
1.SVR简介
无论SVM还是SVR,都需要建立一个超平面。SVM的目标是令超平面与最近的样本点的距离最大,实现通过超平面分类的目的;而SVR的目标是要使得超平面与最远的样本点的距离最小,从而可以通过利用超平面对数据进行拟合。
2.SVR数学模型
SVR在线性函数两侧制造了一个“间隔带”,对于所有落入到间隔带内的样本,都不计算损失;只有间隔带之外的,才计入损失函数。之后再通过最小化间隔带的宽度与总损失来最优化模型。
由于模型需要放弃一些边缘的点,用于最小化间隔带,
所以引入了松弛变量ξi\xi_iξi和ξi∗\xi_i^*ξi∗(松弛变量有两个符号,SVM只有1个符号), 代表上图上边缘点和下边缘点与中间实线的距离(y轴投影距离而不是欧式距离,直接计算点与点在实线上的投影的y轴上的差即可。):
2.1 SVR目标函数
minω,b12∥ω∥2+C∑i=1l(ξi+ξi∗)\mathop{min}\limits_{\omega, b}\frac{1}{2}\parallel\omega\parallel^2 + C\sum_{i=1}^{l}(\xi_i + \xi_i^*) ω,bmin21∥ω∥2+Ci=1∑l(ξi+ξi∗)
s.t.{yi−ωx−b≤ϵ+ξiωx+b−yi≤ϵ+ξi∗ξi,ξi∗≥0s.t.\left\{ \begin{array}{l} y_i-\omega x-b \le \epsilon + \xi_i \\ \omega x + b - y_i \le \epsilon + \xi_i^* \\ \xi_i,\xi_i^* \qquad \quad \ge 0 \end{array} \right. s.t.⎩⎨⎧yi−ωx−b≤ϵ+ξiωx+b−yi≤ϵ+ξi∗ξi,ξi∗≥0
其中,ξi\xi_iξi和ξi∗\xi_i^*ξi∗的取值为:
{ξi=yi−(ωx+b+ϵ),yi>ωx+b+ϵξi=0,otherwise\left\{ \begin{array}{l} \xi_i=y_i-(\omega x + b +\epsilon), y_i > \omega x + b + \epsilon\\ \xi_i=0, \qquad \qquad \qquad \quad otherwise \end{array} \right. {ξi=yi−(ωx+b+ϵ),yi>ωx+b+ϵξi=0,otherwise
{ξi∗=(ωx+b−ϵ)−yi,yi<ωx+b−ϵξi∗=0,otherwise\left\{ \begin{array}{l} \xi_i^*=(\omega x + b -\epsilon)-y_i, y_i < \omega x + b - \epsilon\\ \xi_i^*=0, \qquad \qquad \qquad \quad otherwise \end{array} \right. {ξi∗=(ωx+b−ϵ)−yi,yi<ωx+b−ϵξi∗=0,otherwise
2.2 为了最小化目标函数,根据约束条件,构造拉格朗日函数
L=12∥ω∥2+C∑i=1l(ξi+ξi∗)−∑i=1lαi(ϵ+ξi−yi+ωx+b)−∑i=1lαi∗(ϵ+ξi∗+yi−ωx−b)−∑i=1l(ηiξi+ηi∗ξi∗)s.t.αi,αi∗,ηi,ηi∗≥0\begin{array}{l} L=\frac{1}{2}\parallel\omega\parallel^2 + C\sum_{i=1}^{l}(\xi_i + \xi_i^*) \\ \qquad - \sum\limits_{i=1}^l \alpha_i(\epsilon + \xi_i - y_i + \omega x + b) \\ \qquad - \sum\limits_{i=1}^l \alpha_i^*(\epsilon + \xi_i^* + y_i - \omega x - b) \\ \qquad - \sum\limits_{i=1}^l(\eta_i\xi_i + \eta_i^*\xi_i^*)\\ s.t. \quad\alpha_i, \alpha_i^*, \eta_i, \eta_i^* \ge 0 \end{array} L=21∥ω∥2+C∑i=1l(ξi+ξi∗)−i=1∑lαi(ϵ+ξi−yi+ωx+b)−i=1∑lαi∗(ϵ+ξi∗+yi−ωx−b)−i=1∑l(ηiξi+ηi∗ξi∗)s.t.αi,αi∗,ηi,ηi∗≥0
原问题可以化为:
minω,bmaxαi(∗),ηi(∗)L(ω,b,ξi,ξi∗,αi,αi∗,ηi,ηi∗)\mathop{min}\limits_{\omega, b}\mathop{max}\limits_{\alpha_i^{(*)}, \eta_i^{(*)}}L(\omega, b, \xi_i,\xi_i^*, \alpha_i, \alpha_i^*, \eta_i, \eta_i^*) ω,bminαi(∗),ηi(∗)maxL(ω,b,ξi,ξi∗,αi,αi∗,ηi,ηi∗)
2.3 原问题的对偶问题
maxαi(∗),ηi(∗)minω,bL(ω,b,ξi,ξi∗,αi,αi∗,ηi,ηi∗)\mathop{max}\limits_{\alpha_i^{(*)}, \eta_i^{(*)}}\mathop{min}\limits_{\omega, b}L(\omega, b, \xi_i,\xi_i^*, \alpha_i, \alpha_i^*,\eta_i, \eta_i^*) αi(∗),ηi(∗)maxω,bminL(ω,b,ξi,ξi∗,αi,αi∗,ηi,ηi∗)
2.4 分别对ω,b,ξi,ξi∗\omega,b,\xi_i,\xi_i^*ω,b,ξi,ξi∗求偏导,并令偏导为0
{∂L∂ω=ω−∑i=1l(αi∗−αi)xi=0∂L∂b=∑i=1l(αi∗−αi)=0∂L∂ξi=C−αi−ηi∂L∂ξi∗=C−αi∗−ηi∗\left\{ \begin{array}{l} \frac{\partial L}{\partial \omega} = \omega - \sum\limits_{i=1}^{l}(\alpha_i^* - \alpha_i)x_i = 0\\ \frac{\partial L}{\partial b} =\sum\limits_{i=1}^{l}(\alpha_i^* - \alpha_i) = 0\\ \frac{\partial L}{\partial \xi_i}=C - \alpha_i - \eta_i\\ \\ \frac{\partial L}{\partial \xi_i^*} = C - \alpha_i^* - \eta_i^* \end{array} \right. ⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧∂ω∂L=ω−i=1∑l(αi∗−αi)xi=0∂b∂L=i=1∑l(αi∗−αi)=0∂ξi∂L=C−αi−ηi∂ξi∗∂L=C−αi∗−ηi∗
2.5 用SMO算法求解SVR
使用SMO算法前,还需将αi,αi∗\alpha_i, \alpha_i^*αi,αi∗转化为一个参数,因为SMO算法针对的是任意样本xix_ixi 只对应一个参数αi\alpha_iαi的情况。
过程采用拉格朗日对偶法,对偶问题有解的充要条件是满足KKT条件,对于SVR的对偶问题,其KKT条件如下:
{αi(ϵ+ξi−yi+ωx+b)=0αi∗(ϵ+ξi+yi−ωx−b)=0(C−αi)ξi=0(C−αi∗)ξi∗=0αiαi∗=0ξiξi∗=0\left\{ \begin{array}{l} \alpha_i(\epsilon + \xi_i - y_i + \omega x + b) = 0\\ \alpha_i^*(\epsilon + \xi_i + y_i - \omega x - b) = 0\\ (C-\alpha_i)\xi_i = 0\\ (C-\alpha_i^*)\xi_i^* = 0\\ \alpha_i\alpha_i^* = 0\\ \xi_i\xi_i^* = 0 \end{array} \right. ⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧αi(ϵ+ξi−yi+ωx+b)=0αi∗(ϵ+ξi+yi−ωx−b)=0(C−αi)ξi=0(C−αi∗)ξi∗=0αiαi∗=0ξiξi∗=0
设λi=αi−αi∗\lambda_i = \alpha_i - \alpha_i^*λi=αi−αi∗。由KKT条件,αi,αi∗\alpha_i,\alpha_i^*αi,αi∗至少有一个为0。所以∣λi∣=αi+αi∗|\lambda_i| = \alpha_i + \alpha_i^*∣λi∣=αi+αi∗。代入对偶问题,则有(先用求导结果替换ω\omegaω):
minλ[∑i=1lyiλi+ϵ∣λi∣+12∑i=1l∑j=1lλiλjxiTxi]s.t.{∑i=1lλi=0−C≤λi≤C\begin{array}{l} \mathop{min}\limits_{\lambda}[\sum\limits_{i=1}^{l}y_i\lambda_i+ \epsilon|\lambda_i| + \frac{1}{2}\sum\limits_{i=1}^{l}\sum\limits_{j=1}^{l}\lambda_i\lambda_j x_i^Tx_i] \\ s.t.\left\{\begin{array}{l} \sum\limits_{i=1}^{l}\lambda_i = 0\\ -C \le \lambda_i \le C \end{array} \right. \end{array} λmin[i=1∑lyiλi+ϵ∣λi∣+21i=1∑lj=1∑lλiλjxiTxi]s.t.⎩⎨⎧i=1∑lλi=0−C≤λi≤C
最后再参考SMO算法,求出回归模型系数ω,b\omega, bω,b
【机器学习算法模型】1. SVR模型推导相关推荐
- 【机器学习基础】数学推导+纯Python实现机器学习算法22:最大熵模型
Python机器学习算法实现 Author:louwill Machine Learning Lab 最大熵原理(Maximum Entropy Principle)是一种基于信息熵理论的一般原理,在 ...
- 机器学习算法:多元高斯模型
本文结构如下: 1:多元正态分布及可视化 2:双高斯独立分布可视化 3:从零开始推导多元高斯分布 4:多元正态分布性质 5:高斯判别分析模型 6:高斯判别分析模型Demo 1: 多元正态分布及可视化 ...
- 支持向量机回归python_python 机器学习之支持向量机非线性回归SVR模型
本文介绍了python 支持向量机非线性回归SVR模型,废话不多说,具体如下: import numpy as np import matplotlib.pyplot as plt from skle ...
- 《machine learning in action》机器学习 算法学习笔记 决策树模型
决策树模型 重要任务:是为了理解数据中所蕴含的知识信息,因此决策树可以使用不熟悉的数据集合,并从中提取出一系列规则,这些机器根据数据集创建规则的过程就是机器学习的过程. 优点:计算复杂度不高,输出结果 ...
- 【机器学习基础】数学推导+纯Python实现机器学习算法24:HMM隐马尔可夫模型
Python机器学习算法实现 Author:louwill Machine Learning Lab HMM(Hidden Markov Model)也就是隐马尔可夫模型,是一种由隐藏的马尔可夫链随机 ...
- 图解机器学习算法(6) | 决策树模型详解(机器学习通关指南·完结)
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/34 本文地址:https://www.showmeai.tech/article-d ...
- 【机器学习基础】数学推导+纯Python实现机器学习算法30:系列总结与感悟
Python机器学习算法实现 Author:louwill Machine Learning Lab 终于到了最后的总结.从第一篇线性回归的文章开始到现在,已经接近有两年的时间了.当然,也不是纯写这3 ...
- 【机器学习基础】数学推导+纯Python实现机器学习算法28:CRF条件随机场
Python机器学习算法实现 Author:louwill Machine Learning Lab 本文我们来看一下条件随机场(Conditional Random Field,CRF)模型.作为概 ...
- 【机器学习基础】数学推导+纯Python实现机器学习算法27:EM算法
Python机器学习算法实现 Author:louwill Machine Learning Lab 从本篇开始,整个机器学习系列还剩下最后三篇涉及导概率模型的文章,分别是EM算法.CRF条件随机场和 ...
- 【机器学习基础】数学推导+纯Python实现机器学习算法26:随机森林
Python机器学习算法实现 Author:louwill Machine Learning Lab 自从第14篇文章结束,所有的单模型基本就讲完了.而后我们进入了集成学习的系列,整整花了5篇文章的篇 ...
最新文章
- JVM-07垃圾收集Garbage Collection【GC日志分析】
- Spring中毒太深,离开Spring我居然连最基本的接口都不会写了
- samba 端口_无需公网IP,易有云支持SAMBA远程连接家里设备
- ubuntu如何进入超级权限模式,退出超级权限模式,sudo su——root权限
- ASP.net控件开发系列(四)
- float强制转换的问题及解释
- Python Selenium系列学习
- SharePoint 2010 PowerShell 系列 之 Create List and Field --Lookup
- 光流在视频检测和分割的再应用
- vsftpd配置(虚拟用户、匿名用户登录)
- Cisco Packet Tracer思科模拟器中路由器的TELNET配置
- 智能优化算法:基于Powell优化的鸽群优化算法
- React Native 微博登陆
- Android 平台的Python——CLE方案实现(三)
- 使用XML表达表格数据
- v26.08 鸿蒙内核源码分析(自旋锁) | 当立贞节牌坊的好同志 | 百篇博客分析HarmonyOS源码
- 手写数字识别及python实现
- java ssi_java SSI idea
- 北邮矩阵论- 第1章 1.1线性空间
- 林仕鼎谈数据中心计算(一):整体大于部分之和