机器学习基石--学习笔记01--linear hard SVM
背景
支持向量机(SVM)背后的数学知识比较复杂,之前尝试过在网上搜索一些资料自学,但是效果不佳。所以,在我的数据挖掘工具箱中,一直不会使用SVM这个利器。最近,台大林轩田老师在Coursera上的机器学习技法课程上有很详细的讲授SVM的原理,所以机会难得,一定要好好把握这次机会,将SVM背后的原理梳理清楚并记录下来。这篇文章总结第一讲linear hard SVM的相关内容。
最好的分割线
之前有讲过PLA,即在线性可分的数据中,找到一条线,能够区分开正负样本,如下所示:
上面三条线,都是PLA的解,但是哪条才是最好的呢?凭直觉而言,最右边是最好的,因为右边第三条对噪声的容忍度最高。
上图中灰色区域是噪声,区域越大,噪声越大。可以发现,最右边可以容忍的噪声是最大。现在是以点的视角来观察,下面以线的视角观察,
同样的,最右边的线扩展后得到的"垫子"最厚。"垫子"的厚度通常叫做margin(边缘)。垫子扩展到最近的正负样本就停止扩展,这些在垫子边缘上的正负样本叫做支持向量(每个样本就是一个向量)。
问题来了
知道了支持向量机的定义和优点后,那么问题来了,我们要解一个什么问题?
形式化的问题定义如下
如果符合上面条件的w(平面法向量)和b(平面截距)存在,由于平面公式可以伸缩(即wTx+b=0与3wTx+3b=0表示同一个平面),所以总可以找到一组w*和b*,使得min y(w*x+b*) = 1,那么有
经过上面的平面缩放变化,问题可以简化为如下形式
是不是看起来简单多了。
二次规划
为了进一步简化计算,将目标函数经过一番变化,可以得到如下利于优化的形式
这个问题形式和二次规划(线性规划的亲戚,)一致,所以可以使用二次规划的方法求解。二次规划的一般形式如下:
将linear hard SVM的求解公司套用QP一般形式,接下来就可以通过任何实现QP解法的工具计算求解,这里略去具体的变量映射关系,有兴趣的读者可以尝试。对于非线性问题,可以通过对x做二次转化或其他转化,然后求解。
VC维度
相比较PLA的平面,linear hard SVM得到的平面结果更苛刻,
由于有"厚垫子",linear hard SVM不能shatter任意3个inputs,这说明有更少的dichotomies,更小的VC维度,也就有更好的泛化效果。同时,如果使用特征转换,可以使linear hard SVM进行一些更精细的分类。
总结
Linear hard SVM的解法中需要训练数据线性可分,然后通过缩放平面和等价转换,将原始问题转成QP问题求解。数据线性可分在实际情况中很难出现,所以linear hard SVM的应用价值比较有限。同时,在特征转换时,将原始数据映射到其他空间的计算无法省略(好像是废话)。接下来课程中,会使用一些更有趣的方法解决这两个问题,敬请期待。
转载于:https://www.cnblogs.com/bourneli/p/4198839.html
机器学习基石--学习笔记01--linear hard SVM相关推荐
- 台大机器学习基石学习笔记
台大机器学习基石学习笔记 标签(空格分隔): 机器学习 目录 台大机器学习基石学习笔记 目录 Lecture 1 The Learning Problem Course Introduction Wh ...
- 机器学习基石--学习笔记02--Hard Dual SVM
背景 上一篇文章总结了linear hard SVM,解法很直观,直接从SVM的定义出发,经过等价变换,转成QP问题求解.这一讲,从另一个角度描述hard SVM的解法,不那么直观,但是可以避免fea ...
- 台大林轩田机器学习基石学习笔记(一):The Learning Problem
这里写自定义目录标题 写在前面 一.What is Machine Learning 二.Applications of Machine Learning 三.Components of Machin ...
- 台大-林轩田老师-机器学习基石学习笔记6
这一讲数学的成份非常浓,但是中心思想还是为了希望证明机器学习的可行性条件.其中第五讲中提出的2D perceptrons的成长函数mH(N)是多项式级别的猜想,就是本次课的重点内容. break po ...
- 机器学习入门学习笔记:(4.2)SVM的核函数和软间隔
前言 之前讲了有关基本的SVM的数学模型(机器学习入门学习笔记:(4.1)SVM算法).这次主要介绍介绍svm的核函数.软间隔等概念,并进行详细的数学推导.这里仅将自己的笔记记录下来,以便以后复习查看 ...
- 机器学习 基础理论 学习笔记 (8)特征选择(feature selection)(一)
0.说明 本文也许比较乱,请看目录再食用. 后续会 出文 机器学习 基础理论 学习笔记 (8)特征选择(feature selection)(二) 将 分类问题 和 回归问题 分开总结. 以及或将出文 ...
- 机器学习入门学习笔记:(2.2)线性回归python程序实现
上一篇博客中,推导了线性回归的公式,这次试着编程来实现它.(机器学习入门学习笔记:(2.1)线性回归理论推导 ) 我们求解线性回归的思路有两个:一个是直接套用上一篇博客最后推导出来的公式:另一 ...
- 吴恩达《机器学习》学习笔记七——逻辑回归(二分类)代码
吴恩达<机器学习>学习笔记七--逻辑回归(二分类)代码 一.无正则项的逻辑回归 1.问题描述 2.导入模块 3.准备数据 4.假设函数 5.代价函数 6.梯度下降 7.拟合参数 8.用训练 ...
- 吴恩达《机器学习》学习笔记五——逻辑回归
吴恩达<机器学习>学习笔记五--逻辑回归 一. 分类(classification) 1.定义 2.阈值 二. 逻辑(logistic)回归假设函数 1.假设的表达式 2.假设表达式的意义 ...
最新文章
- Audio Streamer
- [android] 异步http框架与实现原理
- 计算机视觉与图像处理、模式识别、机器学习学科之间的关系
- Linux中高斯分布的参数设置,华为openGauss 配置操作系统参数
- SpringSecurity + JWT,从入门到精通!
- 设置图像的title_【HTML】2 图像标签和属性
- 如何使处于不同局域网的计算机实现远程通信_小区自来水二次加压泵站远程监控系统方案...
- Spring MVC —— 前后台传递JSON
- 5G、IoT 时代下,手机聚焦拍照是否走错了方向?
- 使用u盘安装windows7、CentOS6.3双系统
- 集成电路及计算机科学专业学什么,集成电路属于什么专业大类 什么学科
- Oracle优化器介绍
- 2022电大国家开放大学网上形考任务-农业微生物学非免费(非答案)
- linux下delete释放不了内存,c++delete后虚拟内存不降的原因(疑似内存泄漏)
- android 记分牌效果,全能记分牌 Scoreboard
- Unity报错:InvalidOperationException:You are tring to read lnput using the UnityEngine. ……的解决办法
- 城市停车难,如何破局?
- Tempest之Testr使用
- 中职计算机英语教师教学总结,中职教师工作总结
- Selenium自动化测试Python三:WebDriver进阶