SMO Algorithm流程
SMO Algorithm
Input: T = (x1,y1),(x2,y2),...,(xN,yN) ,精度 ϵ
Output:近似解 y^
1. 取初值 α(0) =0, k=0
2.1: 选取最优变量:对于第一个变量 α(k)1 ,遍历所有 0<αi<C 的值,也就是 yi∗g(xi)=1 的值,也就是支持向量,检验是否满足KKT条件,也就是,是否满足一下三个条件:
∑Ni=1αiyi=0
o≤αi≤C ,i=1,2,...,N
yi∗g(xi)≥1,for { xi| αi=0 }
yi∗g(xi)=1,for { xi| 0<αi<C }
yi∗g(xi)≤1,for { xi| αi=C }
其中 g(xi)=∑Nj=1αjyjK(xj,xi)+b
若不满足,则选取该点,若支持向量全部满足,则遍历其他非支持向量,直到找到不满足该KKT条件为之
对于第一个变量 α(k)2 ,则采用以下策略:
若对于第一个变量α(k)1 对应的E1>0 ,则选取使得 E2 最小的点 ,
若对于第一个变量α(k)1 对应的E1<0 ,则选取使得 E2 最大的点 ,
其目的,使得 αnew2 依赖于 E1−E2 , 则去使得E1−E2最大(加快计算)的点
其中 Ei=g(xi)−yi={∑Nj=1αjyjK(xj,xi)+b}−yi
2.2 二次规划求解: 对于选取的第一个变量
其中,原始为剪辑的值为,
剪辑之后得到第一个变量的解:
于此同时,由 αold1∗y1+αold2∗y2=ε=αnew1∗y1+αnew,clipped2∗y2
可得到第二个变量的解:
αnew1=αold1+y1∗y2(αold2−αnew,clipped2)
基于以上的算法,可以得到最优解 α(k+1)1 α(k+1)2
3. 若在精度范围内所有点都满足KKT条件,则跳转(3),否则转(2)
4. 取 α^=α(k+1)