《机器学习技法》---对偶SVM

1.对偶问题的推导

为什么要求解对偶问题？一是对偶问题往往更容易求解，二是可以自然的引入核函数。

1.1 用拉格朗日函数将原问题转化为“无约束”等价问题

原问题是：

写出它的拉格朗日函数：

然后我们的原问题就等价为：

为什么可以这样等价：

即：对于不满足约束条件的（b,w），min里面趋于无穷大，因此min就把这些b,w舍去了；对于满足约束条件的解，min里面就刚好是原来的目标函数，刚好与原问题等价。

1.2 导出拉格朗日对偶问题

首先我们有如下成立：

然后我们取右边式子中的“best”阿尔法，仍然会有大于等于号成立，因为best is one of any：

这时右边的式子就是对偶问题。这里直接给出一个定理，当满足下面条件时（对于SVM来说刚好满足），原始问题和对偶问题的解是相同的：

并且它们的最优解满足KKT条件：偏导为0，对偶互补，拉格朗日乘子大于0.

1.3 用KKT条件来简化对偶问题

我们的对偶问题现在是：

根据KKT条件，我们有：

把第一个代进来：

再把第二个代进来：

这时候，我们的问题里面就只剩一个参数阿尔法了。再把平方项展开，写的好看一点，就得到了标准的硬间隔SVM对偶问题：

2. 解对偶问题

还是解QP那一套：

之后再求W和b：

（所有支持向量的加权和）

（任取一个支持向量算出）

3. 支持向量

引出对偶问题后，我们重现定义支持向量为阿尔法大于0的向量。他们一定是在边界上的（统计学习方法p107），但是在边界上的不一定阿尔法大于0：

前面我们也提到过，w和b的计算只需要支持向量，其他向量都是无用的：