zoukankan      html  css  js  c++  java
  • SVM(2)Linear Nonseparable

    左边的是线性可分的(Separable),margin = 2M = 2/||w||,右边的是线性不可分(Nonseparable),其中标有 ξ 的点是在它们边界的另一边(未正确区分的点),离边界 ξj = Mξj 。所有正确可分的点有 ξj = 0. 因此 ∑ ξj 就是所有未正确区分点偏离距离,我们在最大化margin时要限制 ∑ ξj ≤ constant C.

    我们用soft margin(a decision boundary that is tolerable to small training errors),这个margin需要权衡margin的大小和允许错误区分点的个数。引入slack variables ξ = (ξ1, ξ2, . . . , ξm), 使得

    (wTx(i) + b) ≥ 1- ξi   if y(i) = 1

    (wTx(i) + b) ≤ -1+ ξi   if y(i) = -1

    其中ξi ≥ 0,它控制着允许错误区分点的个数,当ξi ≥1时,就会出现区分错误,因此我可以限制 ∑ ξj 来调节允许错误数。

    此时原始问题就转化为

    为了计算方便我们再改写为

    在线性可分中C = ∞.

    对应的 The Lagrange (primal) function is

    ( 与y(i)(wTx(i) + b) ≥ 1- ξi 一样,ξi ≥ 0也在Lagrange function中有体现。)

    所对应的KKT条件:

    只有在y(i)(wTx(i) + b) = 1 上的样本点或 ξi=0 时,α才非零;

    对于错误区分的点ξi>0,此时μi=0.

    分别求Lp对w, b, ξi 的偏导,并令其为零:

    把它们代入到Lp中得到dual Lagrangian:

    问题转化为最大化LD,同时要满足上面的KKT条件和

  • 相关阅读:
    .htaccess
    windows快速搭建wamp环境,多站点域名访问
    require与include的区别
    PHP常用操作的字符串函数
    高效做事的习惯
    成功?!
    面向对象程序设计
    失落 绝望
    jquery学习收获
    XML操作类
  • 原文地址:https://www.cnblogs.com/liangzh/p/2738913.html
Copyright © 2011-2022 走看看