文档介绍:数学建模支持向量机
第1页,此课件共25页哦
Outline
SVM的理论基础
线性判别函数和判别面
最优分类面
支持向量机
第2页,此课件共25页哦
SVM的理论基础
传统的统计模式识别方法只有在样本趋向无穷大时,数学建模支持向量机
第1页,此课件共25页哦
Outline
SVM的理论基础
线性判别函数和判别面
最优分类面
支持向量机
第2页,此课件共25页哦
SVM的理论基础
传统的统计模式识别方法只有在样本趋向无穷大时,其性能才有理论的保证。统计学****理论(STL)研究有限样本情况下的机器学****问题。SVM的理论基础就是统计学****理论。
传统的统计模式识别方法在进行机器学****时,强调经验风险最小化。而单纯的经验风险最小化会产生“过学****问题”,其推广能力较差。
推广能力是指: 将学****机器(即预测函数,或称学****函数、学****模型)对未来输出进行正确预测的能力。
第3页,此课件共25页哦
过学****问题
“过学****问题”:某些情况下,当训练误差过小反而会导致推广能力的下降。
例如:对一组训练样本(x,y),x分布在实数范围内,y取值在[0,1]之间。无论这些样本是由什么模型产生的,我们总可以用y=sin(w*x)去拟合,使得训练误差为0.
第4页,此课件共25页哦
SVM
由于SVM 的求解最后转化成二次规划问题的求解,因此SVM 的解是全局唯一的最优解
SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学****问题中
Joachims 最近采用SVM在Reuters-21578来进行文本分类,并声称它比当前发表的其他方法都好
第5页,此课件共25页哦
Outline
SVM的理论基础
线性判别函数和判别面
最优分类面
支持向量机
第6页,此课件共25页哦
线性判别函数和判别面
一个线性判别函数(discriminant function)是指由x的各个分量的线性组合而成的函数
两类情况:对于两类问题的决策规则为
如果g(x)>0,则判定x属于C1,
如果g(x)<0,则判定x属于C2,
如果g(x)=0,则可以将x任意
分到某一类或者拒绝判定。
第7页,此课件共25页哦
线性判别函数
下图表示一个简单的线性分类器,具有d个输入的单元,每个对应一个输入向量在各维上的分量值。该图类似于一个神经元。
第8页,此课件共25页哦
超平面
方程g(x)=0定义了一个判定面,它把归类于C1的点与归类于C2的点分开来。
当g(x)是线性函数时,这个平面被称为“超平面”(hyperplane)。
当x1和x2都在判定面上时,
这表明w和超平面上任意向量正交,
并称w为超平面的法向量。
注意到:x1-x2表示
超平面上的一个向量
第9页,此课件共25页哦
判别函数g(x)是特征空间中某点x到超平面的距离的一种代数度量
从下图容易看出
第10页,此课件共25页哦
上式也可以表示为: r= g(x)/||w||。当x=0时,表示原点到超平面的距离,r0= g(0)/||w||=w0/||w||,标示在上图中。
总之:
线性判别函数利用一个超平面把特征空间分隔成两个区域。
超平面的方向由法向量w确定,它的位置由阈值w0确定。
判别函数g(x)正比于x点到超平面的代数距离(带正负号)。当x点在超平面的正侧时,g(x)>0;当x点在超平面的负侧时,g(x)<0
第11页,此课件共25页哦
多类的情况
利用线性判别函数设计多类分类器有多种方法。例如
可以把k类问题转化为k个两类问题,其中第i 个问题是用线性判别函数把属于Ci类与不属于Ci类的点分开。
更复杂一点的方法是用k(k-1)/2个线性判别函数,把样本分为k个类别,每个线性判别函数只对其中的两个类别分类。
第12页,此课件共25页哦
广义线性判别函数
在一维空间中,没有任何一个线性函数能解决下述划分问题(黑红各代表一类数据),可见线性判别函数有一定的局限性。
第13页,此课件共25页哦
广义线性判别函数
如果建立一个二次判别函数g(x)=(x-a)(x-b),则可以很好的解决上述分类问题。
决策规则仍是:如果g(x)>0,则判定x属于C1,如果g(x)<0,则判定x属于C2,如果g(x)=0,则可以将x任意分到某一类或者拒绝判定。
第14页,此课件共25页哦
广义线性判别函数
第15页,此课件共25页哦
广义线性判别函数
第16页,此课件共25页哦
设计线性分类器
第17页,此课件共25页哦
Outline
SVM的理论基础
线性判别函数和判别面
最优分类面
支持