主要内容

1. 优化目标
2. 大间距的直观理解
3. SVM所作的优化

一、优化目标

• 支持向量机(Support Vector Machine) 是一个更加强大的算法，广泛应用于工业界和学术界。与逻辑回归和神经网络相比， SVM在学习复杂的非线性方程 时提供了一种更为清晰，更加强大的方式

通过逻辑回归转变为SVM的步骤

1.回顾逻辑回归的假设函数：

• 若我们希望假设函数的输出值将趋近于1，则应当θ^Tx远大于0，>> 代表远大于的意思，当 θ^Tx 远大于0时，即到了该图的右边，发现此时逻辑回归的输出将趋近于1
• 若我们希望假设函数的输出值将趋近于0，则应当θ^Tx远小于0，<< 代表远小于的意思，当 θ^Tx 远小于0时，即到了该图的左边，发现此时逻辑回归的输出将趋近于0

2.回顾逻辑回归的代价函数：

• 当 y = 1 时，随着 z 增大，h(x)=1/(1+e-z）逼近1，cost逐渐减小；上面的逻辑回归的 cost function 只剩下了第一项（得到上面左图中的灰色曲线）
• 当 y = 0 时，随着 z 减小，h(x)=1/(1+e-z）逼近0，cost逐渐减小；上面的逻辑回归的 cost function 只剩下了第二项（得到上面右图中的灰色曲线）

3.为构建SVM，需要修改逻辑回归中的代价函数cost function

• 将新的 cost function 来代替逻辑回归中的 cost function, 新的 代价函数即为上图中的玫瑰色的曲线，它分为直线和斜线两部分。
• 我们将左边的函数称为cost1(z)，右边函数称为 cost0(z)

4.构建SVM

• 如上图所示，逻辑回归中的代价函数（cost function）分为 A、B两个部分，进行下面的操作：
• (1) 使用第3步定义的 cost1() 和 cost0() 替换公式中对应的项
• (2) 根据 SVM 的习惯，除去 1/m 这个系数（因为1/m 仅是个常量，去掉它也会得出同样的 θ 最优值）
• (3) 对于逻辑回归， cost function 为 A + λ × B ，通过设置不同的 λ 达到优化目的。对于SVM， 我们删掉 λ，引入常数 C， 将 cost function 改为 C × A + B， 通过设置不同的 C 达到优化目的。 （在优化过程中，其意义和逻辑回归是一样的;可以理解为 C = 1 / λ）

5. 得到支持向量机SVM的代价函数：

• 注意：逻辑回归中假设的输出是一个概率值。 而 SVM 直接预测 y = 1，还是 y = 0

6. SVM的预测方法：

• 当θTx ≥ 0 时，SVM 会预测结果为1，其他情况下，预测结果为0

二、大间距的直观理解

• 有时支持向量机被称为 大间距分类器，也即也就是找到一条与正类、负类的距离最大的分隔线（如下图中的黑色线）

  

  • 由图中画出的两条蓝线，可以发现黑色的边界和训练样本之间有更大的最短距离，然而分先和蓝线训练样本就很近，在分离样本的时候会比黑线表现的差
  • 我们把这个距离叫做 支持向量机的间距，这是支持向量机具有鲁棒性的原因，因为他努力用一个最大间距来分离样本
  • 鲁棒性 是指系统在不确定性的扰乱下，具有保持某种性能不变的能力，也是在异常和危险情况下系统生存的能力

三、 SVM 所作的优化

• 为了增加鲁棒性，得到更好的结果(避免欠拟合、过拟合，应对线性不可分的情况)，SVM 做的不仅仅是将间距最大化，还做了下面的这些优化：

3.1 SVM分类的要求更严格

• 在逻辑回归中，之前的定义中，θTx ≥ 0 被分为正类，θTx < 0 被分为负类。事实上，SVM 的要求更严格： θTx ≥ 1 被分为正类；θTx ≤ -1 被分为负类

  

• 这就相当于在在支持向量机中嵌入了一个额外的安全因子，或者说安全的间距因子

3.2 关于参数 C

• 当C 特别大时，我们要使得代价函数第一项为0，则应该满足 θ^Tx >=1 且 y=1 或者 θ^Tx <=1 且 y=0

• 当第一项为0后，目标变为求最小化第二项

• 如果想将样本用最大间距分开，即将 C 设置的很大。那么仅因为一个异常点，决策边界会从下图的黑线变成那条粉线，这是不明智的

  

• 如果 C 设置的小一点，最终得到这条黑线。它可以忽略一些异常点的影响，而且当数据线性不可分的时候，也可以将它们恰当分开，得到更好地决策边界

• 因为 C = 1 / λ，因此:

  • C 较小时，相当于 λ 较大。可能会导致欠拟合，高偏差 variance

  • C 较大时，相当于 λ 较小。可能会导致过拟合，高方差 bias

• C的取值问题才是SVM的核心，C取得不那么大时，才能既有大边界又能对某个/些异常数据不敏感

如果觉得文章不错的话，可以给我点赞鼓励一下我，欢迎小伙伴收藏文章
关注我，我们一起学习，一起进步！！！