线性可分SVM中线性规划问题的化简
在网上找了许多关于线性可分SVM化简的过程，但似乎都不是很详细，所以凭借自己的理解去详解了一下。
线性可分SVM的目标是求得一个超平面（其实就是求w和b），在其在对目标样本的划分正确的基础上，使得到该超平面最近的样本的几何间隔最远。写成线性规划问题即为
其中γ为最近点到超平面的几何间隔,特别的间隔γ^=||w||×几何间隔γ（间隔γ^与几何间隔γ是两种不同的概念），那么我们就可以将约束和条件改写为
而γ^是通过将离超平面最近的样本点代入超平面得到的，即γ^=yi(wxi+b)，而对于xi是离超平面最近的一个已知的样本，所以我们可以通过调整w和b来使得y^为一个任意正实数（特别注意不为0，因为对于样本我们是已经得到了结果yi,但是如果y^为0,则与结果yi矛盾），而对于任意的已经确定的w和b我们便可以得到一个确定的γ^的值。即之前的式子γ^=yi(wxi+b)，只不过此时,γ^变为了一个确定的值，两边同时除以γ^便得到了1=yi(wxi+b)/y^。而这里γ^=yi(wxi+b)与1=yi(wxi+b)/y^是等价的，因为就像高中所学的直线方程6X+8Y+4=0与3X+4Y+2=0是等价的一样，所以对于任意的正实数γ^都可以划成形如1=yi(wxi+b)/y^的式子。再优化得到1=yi(wxi/γ^+b/γ^)。之前提到了xi是离超平面最近的一个已知的样本，所以对于任意的已知样本带入yi(wx/γ^+b/γ^)都将大于1。而在这里我们用新的w和b代替w/γ^和b/γ^(这里要搞清楚w和b才是变量，γ^是根据变量得到的，而由于对于任意γ^，我们都能在其为1的条件下找到与其不为1时的w和b等价的w和b（当然其他实数也可以），即在γ^=1时就包含了所有可能的解集，所以我们不关心在没替换前γ^是一个多大的一个确定的正实数，这里用新的w和b代替w/γ^和b/γ^其实就相当于使用了一个新的γ^（此时γ^=1），如果你还是不能理解为什么γ^是一个定值，下面一段会从正向解释)，所以相对应之前的约束变为了yi(wxi+b)-1>=0，目标函数γ^/||w||我们变为了1/||w||，因为新的w比原来小了一个正实数γ^倍，很简单的分式等价关系，在分母缩小n倍后分子也缩小n倍，则结果不变。
网上还有一种想法是直接确定γ^（离超平面最近样本的间隔）为1或其他正实数，这也是可行的，因为之前有讲到γ^取多少其实不影响结果，但我觉得可能很多人还是理解不了这里的y^为什么是可以是一个定值。我之前提到确定的w和b以及样本xi可以唯一确定γ^，但是反过来如果确定了一个γ和一个样本xi是否能够唯一确定w和b呢？当然显示是不能。还是拿直线方程举例子，如果已知一个点（2,3）带入ax+by+c结果为1，那么2a+3b+c=1结果有多少个呢？显然是无数个{a,b,c}的解集，所以并不能通过确定的γ^来求解确定的w和b。我之前也提到了对于任意确定的w和b算得的γ^式子可以化成1，相反，对于任意确定的在γ^=1的前提下算得的w和b我们通过放大他们的系数可以得到任意的正实数，拿回之前的2a+3b+c=1，其中的一个解集为a=3,b=-2,c=1。将a，b，c都放大两倍变为a=6,b=-4,c=2则得到结果γ^为2，以此类推，对于任意使得γ^为某一正实数的w和b我们都能在γ^=1时找到另一组w和b与之等价，而y^的取值会随着w和b成相同倍数的增加，这里我们的目标函数恰好是γ^/||w||，所以是否将γ^放大成另一个实数并不重要，因为倍数都被约了（这是隐式的，所以目标函数和约束在写出来的时候还是存在差异的，只是结果一样）。所以我们只关心在y^在为一个正实数时，找到那么一个w使得目标函数最大，为了方便起见才取γ^为1，说了这么多其实就是想说明其实γ^取多少并不影响目标结果（影响w的取值是一定的，因为他改变了约束）。
对于求1/||w||最大即为||w||2*1/2最小这两者关系太简单了所以就不多说了，因为都相当于满足约束下求||w||最小。
综上便有了下面这样一个改写了的式子
以上便是博主个人对于化简过程的理解，如有错误或者自己的想法欢迎交流。
(°ー°〃)
