支持向量机背后的数学
向量的内积(inner product)
对于向量
\[\begin{array}{l}
u = \left[ {\begin{array}{*{20}{c}}
{{u_1}}\\
{{u_2}}
\end{array}} \right]\\
v = \left[ {\begin{array}{*{20}{c}}
{{v_1}}\\
{{v_2}}
\end{array}} \right]
\end{array}\]
它们的内积
\[{u^T}v = {u_1}{v_1} + {u_2}{v_2}\]
又有
\[\left\| u \right\| = \sqrt {u_1^2 + u_2^2} \]
假设v在u上的投影距离为p,则
\[{u^T}v = p\left\| u \right\|\]
如果u和v的夹角大于90°则p是复数,小于90°为正数
有了上面的基础,接下来看支持向量机的损是函数
\[\underbrace {\min }_\theta \left\{ {C\left[ {\sum\limits_{i = 1}^m {{y^{\left( i \right)}}{\mathop{\rm Cos}\nolimits} {t_1}\left( {{\theta ^T}{x^{\left( i \right)}}} \right) + \left( {1 - {y^{\left( i \right)}}} \right){\mathop{\rm Cos}\nolimits} {t_0}\left( {{\theta ^T}{x^{\left( i \right)}}} \right)} } \right] + \frac{1}{2}\sum\limits_{j = 1}^n {\theta _j^2} } \right\}\]
支持向量机试图最小化这个公式,对于前半部分
\[{C\left[ {\sum\limits_{i = 1}^m {{y^{\left( i \right)}}{\mathop{\rm Cos}\nolimits} {t_1}\left( {{\theta ^T}{x^{\left( i \right)}}} \right) + \left( {1 - {y^{\left( i \right)}}} \right){\mathop{\rm Cos}\nolimits} {t_0}\left( {{\theta ^T}{x^{\left( i \right)}}} \right)} } \right]}\]
当y=1时,θTx会朝着θTx≥1的趋势去优化θ
当y=0时,θTx会朝着θTx≤-1的趋势去优化θ
对于后半部分
\[{\frac{1}{2}\sum\limits_{j = 1}^n {\theta _j^2} }\]
对于下面两种情况
为方便理解,这里简化θ只有两个参数(θ1,θ2),且θ0=0,则
\[\frac{1}{2}\sum\limits_{j = 1}^n {\theta _j^2} = \frac{1}{2}\left( {\theta _1^2 + \theta _2^2} \right) = \frac{1}{2}{\left( {\sqrt {\theta _1^2 + \theta _2^2} } \right)^2} = \frac{1}{2}{\left\| \theta \right\|^2}\]
可以看出,支持向量机为最小化这一部分,会试图最小化θ
结合第一部分
当y=1时,θTx会朝着θTx≥1的趋势去优化θ,加上第二部分的θ尽量小,则对于
\[{\theta ^T}{x^{\left( i \right)}} = {p^{\left( i \right)}}\left\| \theta \right\|\]
p(i)需要尽量大
支持向量机会选择后者,因为它有比较大的p。