整理人：张辽，厦门大学信科院 计算机技术专业

weChat: zhangliaobet

主要内容

1. 补充

  1.1 最小二乘法的概率解释

2. 支持向量机

  2.1 模型与策略

  2.2 硬间隔最大化

    2.2.1 函数间隔与几何间隔

    2.2.2 间隔最大化原理

    2.2.3 线性可分SVM学习算法——最大间隔法

    2.2.4 最大间隔法示例

    2.2.5 线性可分SVM学习的对偶算法

    2.2.6 对偶学习算法示例

  2.3 软间隔最大化（下）

3. LR（下）

2. 补充

   1.1 最小二乘法的概率解释

   前文向大家介绍了最小二乘的解析式以及它的几何解释，下面我们尝试从概率的角度，去探讨最小二乘与极大似然估计的关系。先做这样几个假设：

• 误差总是存在的

   首先要说明的，所有的预测值都不可能完美地与真实值契合，所以误差必然存在，而我们的目的就是如何让误差尽可能地小。这样就可以假设有一组θ，使真实的数据存在以下关系式，y(i)表示真实值，θTx(i)表示预测值，ε表示误差项：

• 假设误差服从高斯分布

    至于为什么可以这样假设，原因是人们认为误差是随机的，所以服从高斯分布。根据中心极限定理，也能够做出这样的假设。该定理指出，如果一个随机变量是若干独立随机变量的总和，当被加的个数趋近于无穷大时，他的概率密度函数近似高斯密度。并且误差也是独立同分布(Independent Identical Distribution,IID)。

 其中μ是正态分布随机变量的均值，σ2是此随机变量的方差，也可以记作N(μ,σ2)。

  设ε的平均值为0，方差为ε2，ε的高斯分布，也就是ε的概率密度函数表示如下：

• 求真实值的概率分布

     ε的概率密度函数，就是预测值与真实值差的概率密度函数，那么可以把上述两个等式合并，经过变换，得到如下等式：

• 求联合概率分布

   这样相当于给定一组θ、x，求出了y的概率密度分布，联合概率分布等于边缘概率分布的乘积：

• 定义对数似然函数

   这里我们就得到了一个关于x、y、θ的模型，它表示真实值y的联合概率分布。当我们想使预测正确的概率最大时，只需要将L(θ)最大化就可以了。于是，求值问题又变成了求最大值问题。为了方便计算，我们定义对数似然函数，L(θ)，也就是对L(θ)取对数，再求最大值。对数函数为一个单调递增函数，所以不会对原函数造成影响。取对数后，累乘变成累加。

        

   等式第一项是一个常数项，第二项是一个负数项。要让L(θ)最大，就要让负数项最小：

  这又回到了我们熟悉的式子上面来了，简单的来说，最小二乘法就是误差服从高斯分布且独立同分布下的极大似然估计。

1. 支持向量机

   2.1 模型与策略

90年代的时候，在贝尔实验室，Yann Lecun和 Vapnik经常就SVM和神经网络的优劣展开激烈的讨论，但那个时候，神经网络发展的并不是很强大，反观SVM的理论研究则更加深入，通过核技巧成功将SVM的应用层面从线性可分扩展到线性不可分的情况，一度占据上风。

支持向量机(SupportVector Machine, SVM)是一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；支持向量机的学习策略是间隔最大化，可形式化为一个求解凸二次规划(convex quadratic programming)的问题，也等价于正则化的合页损失函数的最小化问题。

当训练数据可分时，通过硬间隔最大化(hardmarginmaximization)，学习一个线性的分类器，即线性可分支持向量机，又称为硬间隔支持向量机；当训练数据近似可分时，通过软间隔最大化(softmargin maximization) ，也学习一个线性分类器，称为软间隔支持向量机。

** 2.2 硬间隔最大化**

  对于二维特征空间的线性可分的二分类问题，如上图所示两种类别。这时有无数个直线能将两类数据正确区分。但哪种看起来分的更好呢？也就是说如何去定义“好”呢，有这样两种度量方式，一种叫做函数间隔，另外一种叫**几何间隔，**函数间隔与几何间隔的概念如下。

  1.2.1 函数间隔与几何间隔

• **函数间隔  **

   对于给定的训练数据集_T和超平面(w,b)，定义超平面(w,b)关于样本点(x__i,y_i)的函数间隔为

如图所示，数据点到分界面的在y轴上的距离即函数间隔（蓝线所示）。

定义超平面(w,b)关于训练数据集T的函数间隔为超平面(w,b)关于T中所有样本点(xi,yi)的函数间隔之最小值，即

  函数间隔可以表示分类预测的正确性及确信度。但是当等比例的改变w和b时，如

  超平面没有改变，但是函数间隔变为原来的k倍，即

  如果对超平面的法向量w加以约束，使得间隔是确定的，这时函数间隔成为几何间隔。

• **几何间隔    **

  对于给定的训练数据集T和超平面(w,b)，定义超平面(w,b)关于样本点(xi,yi)的几何间隔为

  其中，||w||为 w 的L2范数。

  下图为几何间隔的示例图。其中w为超平面的法向量，A点到超平面的距离为γi

  定义超平面(w,b)关于训练数据集T的几何间隔为超平面(w,b)关于T中所有样本点(xi,yi)的几何间隔之最小值，即

  如果等比例的改变超平面参数w和b,函数间隔按比例改变，而几何间隔不变。

**  1.2.2 间隔最大化原理**

• 最大间隔分离超平面

   对于一个线性可分的数据来说，我们总能找到一个超平面能将它区分开来，那么对这个超平面来说，我们也可以找到距离这个超平面最近的一些数据点，也就是与超平面几何间隔最小的这些数据点，即，但是我们找的这个超平面可能不是最优的，这个最优的意思是说，不仅将这些数据正确分开，并且对于那些距离超平面最近的数据点（难分的数据点）也让它离超平面尽可能的远，这样的超平面对于未知数据就有很好的预测能力。因此我们要最大化几何间隔。也称之为硬间隔最大化。

 下面我们学习如何求得最大间隔分离超平面。这个问题可以转化为下面的约束最优化问题：

  该问题第一项表示的是要求最大化超平面(w,b)关于训练集的几何间隔γ，第二项约束条件表示的是超平面(w,b)关于每个训练样本的几何间隔至少是γ。

  考虑到几何间隔与函数间隔的关系，上述问题可改写为如下问题：

  假设把w和b按照比例变为k倍，约束优化问题变为如下形式：

 可以看出函数间隔的这一变化，对上述最优化问题的不等式约束没有影响，对目标函数的优化同样没有影响，也就是说，它产生了一个等价的最优化问题。为此取=1。另外考虑到最大化和最小化和最小是等价的。于是我们可以得到如下的线性可分支持向量机学习的最优化问题：

**  1.2.3 线性可分SVM学习算法——最大间隔法**

**  **求解出上述约束最优化问题的解w和b后，那么就可以得到最大间隔分离超平面

** w*******·x+ b******* = 0**

及分类决策函数

f(x)= sign(w*****·x +b*****),

即线性可分支持向量机模型。

下面我们总结一下整个算法流程。

输入：线性可分训练数据集_T={(x1,y1),(x2,y2),···,(xN,yN)},其中，xi∈χ=Rn，_yi∈У={-1,+1}，i= 1,2,···,N

输出：最大间隔分离超平面和分类决策函数。

1. 构造并求解约束最优化问题：

  求得最优解w和b。

1. 由此得到分离超平面：

   w*****·x + b*****=_ _0

   分类决策函数

   f(x) = sign(w*****·x+ b*****)

**   1.2.4 最大间隔法示例**

**
**

**  **有如下一组数据集:

  在坐标轴上如下所示：

  根据上述算法，根据训练数据集构造约束最优化问题：

  化简可得：

  问题转化为求圆心到某一区域最小值的问题，如下图所示：

上图中红色标记所示点，即为我们要求的解。求得：

带入约束条件求b得：

最终可得：

其中棕色直线是我们求得的最终分界面，而与之平行的另外两条虚线是支撑向量所在的直线，落在这两条直线上的数据点到分界面的距离相等，它们支撑起了整个分类器的分类性能，保证了最优的分类效果。

**   1.2.5 线性可分SVM学习的对偶算法**

• 拉格朗日对偶性  

   在约束最优化问题中，常常利用拉格朗日对偶性将原始问题转换为对偶问题，通过解对偶问题而得到原始问题的解。这样做一是因为对偶问题往往更容易求解；二是因为自然引入核函数，进而推广到非线性分类问题。

• 原始问题

  考虑如下约束最优化问题

  称此约束最优化问题为原始最优化问题或原始问题。

  首先引入拉格朗日函数

  考虑x的函数

  这里，下标P表示原始问题。

  若存在x,使得ci(x)>0或者hj(x)≠0，则有

  相反地，如果x满足约束条件，则

  因此

  所以如果考虑极小化问题

  它与原始问题是等价的，即它们有相同的解。上述称为广义拉格朗日的极小极大问题。

  定义原始问题的最优值

称为原始问题的值。

• 对偶问题

  定义

  考虑极大化上述定义，即：

  上述问题称为广义拉格朗日函数的极大极小问题。

  可以把广义拉格朗日的极大极小问题表示为约束最优化问题：

称为原始问题的对偶问题。

  定义对偶问题的最优值

称为对偶问题的值。

• 原始问题与对偶问题的关系

  对任意的α，β和x,有

    

   即

  由于原始问题和对偶问题均有最优值，所以，

  即

• KKT****对偶互补条件

   假设函数f(x)和ci(x)是凸函数,hj(x)是仿射函数，且约束ci(x)严格可执行，则x和α，β分别是原始问题和对偶问题的解的充分必要条件是x和α*，β*满足如下的KKT条件：

  其中αici(x)=0称为KKT的对偶互补条件。若αi*>0,则ci(x*)=0

• 学习的对偶算法

  根据拉格朗日对偶性，原始问题得对偶问题是极大极小问题：

  为了得到对偶问题的解，需要先求_L(w,b,α)_对w,b的极小，再求对α的极大。

  首先，定义拉格朗日函数：

  求对拉格朗日函数L(w,b,α)分别求偏导并令其为0得：

  把求导所得带入拉格朗日函数：

  即

接下来再求对α的极大，即是对偶问题：

将该问题的目标函数由求极大转为求极小，得到与之等价的对偶最优化问题：

把目标函数展开成如下形式：

设是上述对偶最优化问题的解，设原始最优化问题的解w和b。我们接下来求原始最优化问题的解

根据李航书中定理C.3,KKT条件成立，可得：

由此可得：

最终，分类决策函数为：

1.2.6 对偶学习算法示例

我们还是使用最大间隔法中的数据集：

首先根据

带入数据得：

最终求得：

把求得的α带入

带入数据得：

最终得到的超平面为：

如图所示为分离超平面：

可以看到所获得分界面与硬间隔最大化的结果一致，也验证了通过求解对偶问题来解决原始问题的有效性，并且这其中还可以得出一些有意思的结论，我们通过上述算法求得了关于每个数据点的值，其中支撑向量的是不为0（），而其他数据点的为0（），从w的更新公式也可以看出一些端倪：

只有支撑向量（或支持向量）才会改变w，也就是说除了支撑向量外，其余数据点对于分类是没有帮助的，即值为0。

对线性可分问题来说，硬间隔最大化算法解决的十分完美，但是现实世界中，往往并不是线性可分的，那么如何解决呢？是否有更一般的算法呢？那么下一讲，将会为大家讲解软间隔最大化以及逻辑斯蒂回归等相关内容。

注：文中所有推导过程均可在课件中找到，获取本讲课件，请回复课件二字即可领取。

Reference

[1] Suykens, Johan AK, and Joos Vandewalle. "Least squares support vector machine classifiers." _Neural processing letters _9.3 (1999): 293-300.

[2] Smola, Alex J., and Bernhard Schölkopf. "A tutorial on support vector regression." Statistics and computing 14.3 (2004): 199-222.

[3] 李航. "统计学习方法." 清华大学出版社, 北京 (2012).