SVM实验

说明：

1）α2=0表示第二个样例不在分类面上，在分类面上的点αi均不为零。

2）二次项矩阵，可以通过矩阵相乘相加方法得到，如上例

3）目标函数变为负值，是为了照顾matlab的标准型。

    假定应用多项式核（核方法） 样本使用此前的样本。

         

            若有新元素(0,0)需要分类。

            则Y(0,0) =  ，则（0,0）为负例

           利用核方法后，支持向量代入后不再为+1，或者-1.即Y(1,1)!=-1,Y(2,3/2)!=1。这个我还没搞明白为什么，希望有朋友能告诉我。        

           将x1,x2通过核函数转化为 x1*x1,x1*x2,x2*x1,x2*x2，原语料转化为

           4,3,3,9/4 +

           9,9,9,9    +

           1,1,1,1    -

           按照类似的解法解得：

             Y=(< (4,3,3,9/4),(x1,x2,x3,x4) > -  <  (1,1,1,1),(x1,x2,x3,x4) > + b

             解得b=-17.53125

             Y=[(<  (4,3,3,9/4),(x1,x2,x3,x4) >  - <  (1,1,1,1),(x1,x2,x3,x4) >+ -17.53125

            除以9.28125得到：

            Y=(< (0.4310   0.3232    0.3232    0.2424),(x1,x2,x3,x4) > -  <  (0.1077    0.1077   0.1077    0.1077),(x1,x2,x3,x4) > + -1,8889

            这样:

            Y(2,3/2)    = +1

            Y(1,1)       =   -1

           因此没有比较纠结支持向量是否为+1或者-1，只需要正例为+r，负例为-r即可，最小的r，最大的-r均有支持向量获得。