机器学习：SVM（目标函数推导：Hard Margin SVM、Soft Margin SVM）

一、Hard Margin SVM

• SVM 的思想，最终用数学表达出来，就是在优化一个有条件的目标函数：
• 
• 此为 Hard Margin SVM，一切的前提都是样本类型线性可分；

　1）思想

• 
• SVM 算法的本质就是最大化 margin；
• margin = 2d，SVM 要最大化 margin，也就是要最大化 d，所以只要找到 d 的表达式，也能解决相应的问题；

　2）特征空间中样本点到决策边界的距离

• 二维平面中：

• n 维空间中：

1. 此处 n 维空间并不是 3 维的立体空间，而是指 n 个方面，或 n 个特征，表示要从 n 个方面理解和分析样本；
2. 此处所说的 n 维空间中的点到直线的距离，只是相对于 二维 特征平面的说法，
3. 直线的表达式：，或者：；
4. 如果样本 x 中有 n 种特征，θ 和 x_b 中都有 (n + 1) 个元素；w 向量中有 n 个元素；
5. b 和 θ₀ 是截距；

• 点到直线的距离：；

　3）样本在特征空间中药满足的条件

• 训练数据集中，所有的样本点到决策边界的距离都大于或等于 d；
• 此处样本的两种类型：1、-1；（不在称为 0 、1，是为了方便计算；其实称为什么都无所谓，只要能很好的区分开不同的类别）
• 

1.  i：表示第 i 个样本，其类型 y⁽ⁱ⁾ 分两种情况：1、-1；
2. ≤ -d：因为 -1 类型的样本点，带入模型时，decision_function() 方法求的结果都小于 0，此处将绝对值符号去掉后的状态；
3. = d 时：表示支撑向量到决策边界的距离；

• 第一次变形：

• 

• 第二次变形：

1. 由于 ||w||d 和 b 都是常量，公式进一步变形：分子、分母同时除以 ||w||d；

• 

• 第三次变形：

• 
• 其中 y⁽ⁱ⁾ 有1、-1 两种分类结果，也就是训练数据集的所有样本都要满足这个关系式；

1. 如果  w^T.x⁽ⁱ⁾ + b ≥ 1，也就是 ，则：
2. 如果 w^T.x⁽ⁱ⁾ + b ≤ -1，也就是 ，则：

　4）决策边界及由支撑向量觉得的直线的方程

• 3 条直线的方程（一）：

• 

• 3 条直线方程（二）：

1. 由于 ||w||d 和 b 都是常量，直线方程进一步变形：分子、分母同时除以 ||w||d；

• 

• 3 条直线方程（三）

1. 更改 w_d 和 b_d 的名称：w、b；
2. 此处的 w 向量 和 b 常量， 中的 w 向量和 b 常量不同，他们之间相差了一个系数 ||w||d；

• 

1.  = 1 / -1 时，表示支撑向量到决策边界的距离；

　5）目标函数

• d 表示支撑向量到决策边界的距离，则有 | w^T.x + b | = 1，d = | w^T.x + b | / ||w|| = 1 / ||w|| ，为了使 d 最大，就要使 ||w|| 尽可能的小；

• 目标函数：||w||，求目标函数最小值；

• 目标函数变形：；

1. 变形原因：为了方便求导而改变目标函数；

• 前提条件：，也就是优化该目标函数的时是有前提条件的；

1.   是由 ( | w^T.x⁽ⁱ⁾ + b | / ||w|| ) ≥ d 推导出来的；
2. s.t.（such that）：用在限定条件之前，表示该表达式为限定条件；

•   和  中的 w 向量并不是模型  中的 w 向量，两者之间相差一个系数：||w||d，且系数中的 ||w|| 指模型  中的 w 向量；

　6）其它

• 没有前提条件的最优化，称为全局最优化；

1. 全局最优化问题：直接对目标函数求导，让导数等于 0，相应的极值点就有可能是所要求的最大值或者最小值；

• 有条件的最优化问题，在最优化领域，解决该问题的方法与没有条件的最优化问题差异很大；

1. 有条件的最优化问题：较复杂，需要使用拉布拉斯算子进行求解；

二、Soft Margin SVM

　1）目标函数

• C 为超参数
• 

1. C = 1：两者比重相同；
2. C > 1：主要优化后半部分；
3. C < 1：住哟啊优化前半部分；
4. C 越大，容错空间越小；C 越小，容错空间越大；

　2）Hard Margin SVM 算法面临的问题

• Hard Margin SVM：本质上就是求解如图的有条件的最优化问题，求出向量 w ，也就是求出模型的支撑向量机；
• 

• 现象：有些样本比价特殊或者样本错误（如图1）、有些样本的分布不是线性可分的（如图2）；
• 、

• 问题：针对这两种现象，使用 Hard Margin SVM，如图，得到的决策边界不准确；（如果是图 2 的情况，使用 Hard Margin SVM 根本得不到模型）
• 

　3）Soft Margin SVM 的思路

• 思路：人为的去除掉这些特殊的或者错误的样本点；
• Soft Margin SVM 要具有容一定的错能力；

1. 这里的错，指数据或样本本身的异常或错误，而不是算法本身的错误；

• 思考一个机制：对于这个机制，SVM 算法得到的决策边界要有一定的容错能力，在一些情况下，该机制应该考虑，在一定情况下可以将一些样本进行错误分类，最终使得模型的泛化能力尽可能的高；

• 模型的目的或要求：实践应用中的泛化能力高，具体怎么得到这个模型则无关紧要；
• 

　4）Soft Margin SVM 的损失函数推导

• Hard Margin SVM 中：

•     
• 前提条件：所有的样本点都必须在 = 1/-1 这两天直线的外侧；

• Soft Margin SVM 去除异常样本的方法：扩大该限定条件，设定容错空间，允许个别极端的或者错误的样本点，分布在支撑向量所在直线与决策边界之间的区域；
• 

1. ：模型允许模型犯一定的错误，允许一些样本分布在虚线与 =1 的直线之间；
2. ζ 不是 一个固定的值，对任意一个样本 x⁽ⁱ⁾ 都有一个 ζ_i 与其对应；如果有 m 个样本点，则有 m 个 ζ 值，每一个样本都有其容错空间；
3. ζ 要做的是，希望模型有一定的容错空间，但范围不能太大；

• 怎么表示容错空间不能太大？

• 方案：更改目标函数，两部分之间取得平衡；
• 

　5）其它

• Hard Margin SVM 和 Soft Margin SVM 都是线性 SVM （也就是 Linear SVM），只是有些问题中的样本分布线性可分，有些问题中的样本不能完全线性可分（存在极端样本、或者错误的样本）；
• 得到的决策边界都是一条直线，在高维空间中是一个平面；
• 正则化的目的：使模型针对训练数据集有更高的容错能力，使得模型对训练数据集中的极端样本点不那么敏感，进而提升模型的泛化能力；

• 思想：所谓的正则化，本质是一个概念，并不是对于所有的模型添加了正则项都是同样的 L1 范式、L2 范式；对于有些模型，需要改变正则化的策略；但是正则化所要实现的效果是一样的——提升模型的泛化能力。