利用支持向量机进行模式分类

i =1
N
第9章 神经网络模式识别
举例 ω1的决策区域为 －∞, a)和(b, +∞), 的决策区域为(－ 和 ω2的决策区域为 b), 由此可以建 的决策区域为(a, 立一个二次函数 g(x)=(x－a)(x－b)=c0+c1x+c2x2, － 对应的决策规则为 对应的决策规则为
g ( x) > 0 x ∈ ω1 g ( x) < 0 x ∈ ω 2
g (x) = aT y + w0 = ∑ ai yi + w0
i =1
ˆ d
这样, 原来的问题就通过从x到 的映射简化为寻找一个齐次线 这样 原来的问题就通过从 到y的映射简化为寻找一个齐次线 性分类器问题。 性分类器问题。
第9章 神经网络模式识别
非线性支持向量机的最优化问题为
最大化： 最大化： 使满足： 使满足：
1 N N W (a) = ∑ ai − ∑∑ yi y j ai a j K (xi , x j ) 2 i =1 j =1 i =1
N
∑ya
i =1
N
i i
= 0, 0 ≤ ai ≤ C , i = 1, 2,⋯ , N
第9章 神经网络模式识别
采用不同的内积核函数将形成不同的算法, 采用不同的内积核函数将形成不同的算法 常用的核函 数有以下几种: 数有以下几种 (1) 多项式函数 表达式为 多项式函数, 表达式为
第9章 神经网络模式识别
方点和圆点各代表一类样本, H为分类线 H1和H2分别 方点和圆点各代表一类样本 为分类线, 为分类线 为过两类中距离分类线最近的样本且平行于分类线的 直线, 它们之间的距离称为分类间隔 分类间隔。 直线 它们之间的距离称为分类间隔。 最优分类线就是 最优分类线 就是 要求分类线不但 能将两类样本正 确分开, 而且使 分类间隔最大。 分类间隔最大。
1 最大化：W (a) = ∑ ai − ∑ ai a j yi y j < xi , x j > 2 i, j i =1 N 使满足： 使满足：∑ ai yi = 0 ai ≥ 0, i = 1, 2,⋯ , N
i =1
N
其中, 为每个样本对应的Lagrange乘子。 这是一个在等式 乘子。 其中 ai为每个样本对应的 乘子 约束下的凸二次优化问题, 存在唯一解, 且解中只有一部分a 约束下的凸二次优化问题 存在唯一解 且解中只有一部分 i 不为零, 对应的样本就是支持向量 支持向量。 不为零 对应的样本就是支持向量。
第9章 神经网络模式识别
此时最优分类函数为 此时最优分类函数为 最优分类函数
f (x) = sgn{< w , x > +b} = sgn{∑ ai yi < xi , x > +b}
i =1
N
上式求和计算取a 中不为零的值, 可以利用任一支 上式求和计算取 i中不为零的值 b可以利用任一支 持向量满足 求得。 求得。
第9章 神经网络模式识别
< w , x i > +b ≥ 0 判别函数满足条件: 判别函数满足条件 < w , x i > +b < 0
(yi=+1) (yi=－1) －
归一化, 将判别函数进行归一化 将判别函数进行归一化 使两类所有样本都满足 |f(x)|≥1, 则判别函数变为 判别函数变为
第9章 神经网络模式识别
使‖w‖2最小就变成了求下面的函数 ‖ 1 解: 最小化： 最小化： V (w, b) = < w, w >
2 使满足： 使满足： yi (< w, xi > +b) − 1 ≥ 0
(i=1, 2, …, N)
利用Lagrange优化方法可以把上面问题转化为其对偶问题 优化方法可以把上面问题转化为其对偶问题: 利用 优化方法可以把上面问题转化为其对偶问题
K ( x , x i ) = ( < x, x i > + c ) q
(c≥0)
此时, 支持向量机是一个q阶多项式学习机器 阶多项式学习机器。 此时 支持向量机是一个 阶多项式学习机器。 当c>0时, 称 时 它为非齐次多项式核; 它为非齐次多项式核 当c=0时, 称为齐次多项式核。 时 称为齐次多项式核。
第9章 神经网络模式识别
线性可分情况 线性可分情况 SVM从线性可分情况下的最优分类发展而来。 从线性可分情况下的最优分类发展而来。 从线性可分情况下的最优分类发展而来 利用支持向量机进行样本分类也包括训练和执 行两个阶段。 行两个阶段。 (1) 样本训练：给定训练样本集训练线性分类器 样本训练：给定训练样本集训练线性分类器, 即确定线性分类器参数。 即确定线性分类器参数。 (2) 样本识别：利用训练好的分类器对输入样本 样本识别： 进行识别。 进行识别。
第9章 神经网络模式识别
实验五
利用支持向量机进行模式分类
第9章 神经网络模式识别
引言： 引言：关于统计学习理论 统计学习理论是一种建立在小样本统计学 上的理论。 上的理论。 小样本统计学理论指的是依据有限样本进 行统计推断。 行统计推断。
第9章 神经网络模式识别
支持向量机 支持向量机(Support Vector Machine, SVM)是一种基于统 支持向量机 是一种基于统 计学习理论的机器学习算法, 建立在统计学习理论的结构风险 计学习理论的机器学习算法 建立在统计学习理论的结构风险 最小化原则之上。 最小化原则之上。 之上 针对两类分类问题, SVM在高维空间中寻找一个超平面 作 在高维空间中寻找一个超平面 针对两类分类问题 在高维空间中寻找一个 超平面作 为两类的分割, 以保证最小的分类错误率。 为两类的分割 以保证最小的分类错误率。 少数与超平面最接近的那些训练样本称为支持向量 少数与超平面最接近的那些训练样本称为支持向量, 它们决 支持向量 定了推广性能。 定了推广性能。 SVM有三个关键的概念 分类间隔 有三个关键的概念: 分类间隔(margin)、 对偶 有三个关键的概念 、 对偶(duality) 以及核。 以及核。
g ( x) = aT y + c0 = ∑ ai yi + c0
i =1
2
第9章 神经网络模式识别
更一般的二次判决函数可以表示为
g (x) = w0 + ∑ wi xi + ∑∑ wij xi x j
i =1 i =1 j =1
d
d
d
yi=fi(x)为二次式或一次式 可使 为二次式或一次式, 变为线性函数, 为二次式或一次式 可使g(x)变为线性函数 即 变为线性函数
第9章 神经网络模式识别
(2) 高斯径向基函数 高斯径向基函数(RBF), 表达式为 表达式为
2 1 K (x, xi ) = exp − 2 x − xi 2σ
(3) Sigmoid函数 表达式为 函数, 表达式为 函数
K (x, xi ) = tanh[ µ < x, xi > +c]
yi (< w, xi > +b) − 1 ≥ 0
中的等号
第9章 神经网络模式识别
2
线性不可分情况 线性不可分情况
非线性SVM问题的基本思想是: 通过非线性变换将非线性 问题的基本思想是 非线性 问题的基本思想
问题转换为某个高维空间中的线性问题, 问题转换为某个高维空间中的线性问题 在变换空间求最优分 类面。 一般地, 新空间维数要高于原空间维数。 类面。 一般地 新空间维数要高于原空间维数。 这种非线性 映射可表示为: 将x作变换 作变换Φ: Rn→H (H为某个高维特征空间 为某个高维特征空间) 映射可表示为 作变换 为某个高维特征空间
一维特征空间中非线性可 分图示
若选择下列非线性变换: 若选择下列非线性变换 y = [ y1 , y2 ]T = [ x, x 2 ]T a = [a1 , a2 ]T = [c1 , c2 ]T 于是二次判决函数就可以化为向量y的线性函数 于是二次判决函数就可以化为向量 的线性函数: 的线性函数
其中, 其中 µ>0, c<0。 。
yi (< w, xi > +b) − 1 ≥ 0 (i=1, 2, …, N)
此时样本点到超平面的最小距离为 此时样本点到超平面的最小距离为 1/ w , 分类间隔 样本点到超平面的最小距离 最大等价于使‖ ‖ 最小。 等于 2 / w 。使 2 / w 最大等价于使‖w‖2 最小。 满足归一化判别函数并且使‖ ‖ 满足归一化判别函数并且使‖w‖2最小的分界面称为 最优分界面, 上的训练样本点称为支持向量。 最优分界面 H1和H2上的训练样本点称为支持向量。
线性可分情况下的最优分类
第 神经网络模式识别
• 假设存在训练样本 i, yi), i=1, 2, …, N, 假设存在训练样本(x xi∈Rn, yi∈{-1, +1} • 在线性可分情况下会有一个超平面使得这两类样本 完全分开。 完全分开。 • n维空间中线性判别函数的一般形式为 维空间中线性判别函数 维空间中线性判别函数的一般形式为 f(x)=〈w, x〉+b， 〈 〉 ， 超平面描述为 描述为 则超平面描述为< w , x > +b = 0 其中, 维向量空间中的两个向量的内积, 其中 〈w, x〉是n维向量空间中的两个向量的内积 〉 维向量空间中的两个向量的内积 w是超平面的法向量。 是超平面的法向量。 是超平面的法向量
x → Φ (x) = (Φ1 ( x), Φ 2 ( x),⋯ , Φ i (x),⋯)T
其中, 是实函数。 其中 Φi(x)是实函数。 则可以建立在新空间中的优化超平面 是实函数 则可以建立在新空间中的优化超平面: