支持向量机及支持向量回归简介

3．支持向量机（回归）

3.1.1 支持向量机

支持向量机（SVM ）是美国Vapnik 教授于1990年代提出的，2000年代后成为了很受欢迎的机器学习方法。它将输入样本集合变换到高维空间使得其分离性状况得到改善。它的结构酷似三层感知器，是构造分类规则的通用方法。SVM 方法的贡献在于，它使得人们可以在非常高维的空间中构造出好的分类规则，为分类算法提供了统一的理论框架。作为副产品，SVM 从理论上解释了多层感知器的隐蔽层数目和隐节点数目的作用，因此，将神经网络的学习算法纳入了核技巧范畴。

所谓核技巧，就是找一个核函数(,)K x y 使其满足(,)((),())K x y x y φφ=，代替在特征空间中内积(),())x y φφ（的计算。因为对于非线性分类，一般是先找一个非线性映射φ将输入数据映射到高维特征空间，使之分离性状况得到很大改观，此时在该特征空间中进行分类，然后再返会原空间，就得到了原输入空间的非线性分类。由于内积运算量相当大，核技巧就是为了降低计算量而生的。

特别， 对特征空间H 为Hilbert 空间的情形，设(,)K x y 是定义在输入空间

n R 上的二元函数，设H 中的规范正交基为12(),(),...,(),...n x x x φφφ。如果

221

(,)((),()),

{}k k k k k K x y a x y a l φφ∞

==∈∑，

那么取1

()()k k k x a x φφ∞

==∑即为所求的非线性嵌入映射。由于核函数(,)K x y 的定义

域是原来的输入空间，而不是高维的特征空间。因此，巧妙地避开了计算高维内

积

(),())x y φφ（所需付出的计算代价。实际计算中，我们只要选定一个(,)K x y ，

并不去重构嵌入映射1()()k k k x a x φφ∞

==∑。所以寻找核函数(,)K x y （对称且非负）

就是主要任务了。满足以上条件的核函数很多，例如

● 可以取为d-阶多项式：(,)(1)d K x y x y =+，其中y 为固定元素。

● 可以取为径向函数：()22(,)exp ||||/K x y x y σ=-，其中y 为固定元素。

● 可以取为神经网络惯用的核函数：()12(,)tanh ()K x y c x y c =+，其中y 为固

定元素。

一般地，核函数的存在性只依赖于如何寻找一个平方收敛的非负序列{}k a 。这样的序列在2l 空间的正锥{}{}22|0,k k l a l a k +=∈≥∀中的序列都满足。但哪一个最佳还有待于进一步讨论。经验表明，分类问题对于核函数不太敏感。当然，重新构造一个核函数也不是一个简单的事。因此，实际操作中往往就在上述三类中挑出一个来使用就可以了。

支持向量机的结构示意图可以表示如下：

图1 支持向量机结构示意图

其中输入层是为了存贮输入数据，并不作任何加工运算；中间层是通过对样本集的学习，选择(,),1,2,3,...,i K x x i L =；最后一层就是构造分类函数

1

sgn((,))L

i i i i y y a K x x b ==+∑

整个过程等价于在特征空间中构造一个最优超平面。

支持向量机的作用之一就是分类。根据分类的任务，可以划分为一分类，二分类以及多分类。对于多类分类问题，可以用若干种手法将其分解为若干个二分类问题叠加。因此，为了实现支持向量机分类的算法，我们只要针对二分类，从头来给出它的数学原理。

3.1.2 支持向量机分类的数学原理

设样本集为{}{}(,)|;1,1,1,...,n i i i i x y x R y i I ∈∈-+=，我们的目的是寻找一个最优超平面H 使得标签为＋1 和－1的两类点不仅分开且分得间隔最大。

当在n 维欧几里德空间中就可以实现线性分离时，也即存在超平面将样本集

按照标签－1与＋1分在两边。由于超平面在n 维欧几里德空间中的数学表达

式是一个线性方程 ,0w x b <>+=，其中，w 为系数向量，x 为n 维变量，

,w x <>内积，b 为常数。空间中点i x 到超平面L 的距离

|,|(,)||||i i w x b d x L w <>+=

。欲使得(,)i d x H 最大，等价于21

||||2

w 最小。于是，

得到一个在约束条件下的极值问题

21min ||||2(,)1,1,2,...,i i w y w x b i I

⎧

⎪

⎨

⎪<>+≥=⎩ 引入Lagrange 乘子12(,,...,)I αααα=，可以解得关于该参变量的方程

12

1,1

(),I

I

i i

j

i j i j i i j Q y y x x αααα

===-

<>∑∑

称之为Lagrange 对偶函数。其约束条件为

,1

0,0,1,2,...,I

i

i

i i j y

i I αα==≥=∑

在此约束条件之下， 使得()Q α达到最大值的α的许多分量为0，不为0的i α 所对应的样本i x 就称为支持向量。这就是支持向量的来历。

当在输入空间不能实现线性分离，假设我们找到了非线性映射φ将样本集

{}{}(,)|;1,1,1,...,n

i

i

i

i

x y x R y i I ∈∈-+=映射到高维特征空间H 中，此时我们

考虑在H 中的集合{}{}((),)|;1,1,1,...,n i i i i x y x R y i I φ∈∈-+=的线性分类，即在H 中构造超平面，其权系数w 满足类似的极值问题。由于允许部分点可以例外，那么可以引入松弛项，即改写为：

2

1

1min ||||2(,)1,0,1,2,...,L

i

i i

i i i w C y w x b i I

ξξξ=⎧+⎪⎨⎪<>+≥-≥=⎩∑ 最终转化为一个二次型在约束条件下的二次规划问题：

''

'11min 20,0(,...,)(,...,)T T I

D c y A C C αααα

αααα⎧+⎪⎨

⎪=≤=≤=⎩ 其中，1(,...,)T I y y y =，(1,...,1)T c =--，()1,(,)i j i j i j I D K x x y y ≤≤=为矩阵。(,)K x s 是核函数。