SVM Summary
Example
Suppose the dataset contains two positive samples
x(1)=[1,1]Tx^{(1)}=[1,1]^Tx(1)=[1,1]T andx(2)=[2,2]Tx^{(2)}=[2,2]^Tx(2)=[2,2]T, and two negative samplesx(3)=[0,0]Tx^{(3)}=[0,0]^Tx(3)=[0,0]T andx(4)=[−1,0]Tx^{(4)}=[-1,0]^Tx(4)=[−1,0]T. Please calculate the SVM decision hyperplane.
Calculate
minλJ(λ)=12∑i=1N∑j=1Nλiλjy(i)y(j)(x(i))Tx(j)−∑i=1Nλi\min_\lambda\ {\mathcal{J}(\lambda)} = \frac{1}{2}\sum_{i=1}^N\sum_{j=1}^N \lambda_i\lambda_jy^{(i)}y^{(j)}(x^{(i)})^Tx^{(j)} - \sum_{i=1}^N\lambda_iλmin J(λ)=21i=1∑Nj=1∑Nλiλjy(i)y(j)(x(i))Tx(j)−i=1∑Nλis.t.λi⩾0,∑i=1Nλiy(i)=0s.t. \ \ \ \ \ \ \ \ \lambda_i \geqslant 0,\ \ \ \ \ \ \sum_{i=1}^N\lambda_iy^{(i)}=0s.t. λi⩾0, i=1∑Nλiy(i)=0
由
DatasetD:{x:{[1,1],[2,2],[0,0],[−1,0]},y:{1,1,−1,−1}}Dataset\ D:\{x:\{[1,1],[2,2],[0,0],[-1,0]\},y:\{1,1,-1,-1\}\}Dataset D:{x:{[1,1],[2,2],[0,0],[−1,0]},y:{1,1,−1,−1}}可得下式：minλJ(λ)=12(2λ12+8λ22+λ42+8λ1λ2+2λ1λ4+4λ2λ4)−λ1−λ2−λ3−λ4s.tλ1⩾0,λ2⩾0,λ3⩾0,λ4⩾0λ1+λ2−λ3−λ4=0\min_\lambda\ {\mathcal{J}(\lambda)} = \frac{1}{2}(2\lambda_1^2+8\lambda_2^2+\lambda_4^2+8\lambda_1\lambda_2+2\lambda_1\lambda_4+4\lambda_2\lambda_4) \\- \lambda_1-\lambda_2-\lambda_3-\lambda_4\\ s.t \ \ \ \ \ \ \ \lambda_1 \geqslant 0,\lambda_2\geqslant 0,\lambda_3\geqslant 0,\lambda_4\geqslant 0\\ \lambda_1+\lambda_2-\lambda_3-\lambda_4 = 0λmin J(λ)=21(2λ12+8λ22+λ42+8λ1λ2+2λ1λ4+4λ2λ4)−λ1−λ2−λ3−λ4s.t λ1⩾0,λ2⩾0,λ3⩾0,λ4⩾0λ1+λ2−λ3−λ4=0
since
λ1+λ2=λ3+λ4→λ3=λ1+λ2−λ4\lambda_1+\lambda_2 = \lambda_3+\lambda_4 \to \lambda_3 = \lambda_1+\lambda_2 - \lambda_4λ1+λ2=λ3+λ4→λ3=λ1+λ2−λ4:minλJ(λ)=λ12+4λ22+12λ42+4λ1λ2+λ1λ4+2λ2λ4−2λ1−2λ2s.tλ1⩾0,λ2⩾0⟹求偏导{∂J∂λ1=2λ1+4λ2+λ4−2=0∂J∂λ2=4λ1+8λ2+2λ4−2=0∂J∂λ4=λ1+2λ2+λ4=0\min_\lambda\ {\mathcal{J}(\lambda)} = \lambda_1^2+4\lambda_2^2+\frac{1}{2}\lambda_4^2+4\lambda_1\lambda_2+\lambda_1\lambda_4+2\lambda_2\lambda_4 - 2\lambda_1-2\lambda_2\\ s.t \ \ \ \ \ \ \ \lambda_1 \geqslant 0,\lambda_2\geqslant 0 \\ \\ \Longrightarrow ^{求偏导}\\ \left\{\begin{matrix} \frac{\partial \mathcal{J}}{\partial \lambda_1} = 2\lambda_1 +4\lambda_2+\lambda_4-2=0 \\ \frac{\partial \mathcal{J}}{\partial \lambda_2} = 4\lambda_1 +8\lambda_2+2\lambda_4-2=0 \\ \frac{\partial \mathcal{J}}{\partial \lambda_4} = \lambda_1 +2\lambda_2+\lambda_4=0 \end{matrix}\right.λmin J(λ)=λ12+4λ22+21λ42+4λ1λ2+λ1λ4+2λ2λ4−2λ1−2λ2s.t λ1⩾0,λ2⩾0⟹求偏导⎩⎨⎧∂λ1∂J=2λ1+4λ2+λ4−2=0∂λ2∂J=4λ1+8λ2+2λ4−2=0∂λ4∂J=λ1+2λ2+λ4=0
Lagrange无解，所以极小值在边界上：
- 令 λ 1 = 0 ， λ 3 = λ 1 + λ 2 − λ 4 \lambda_1 = 0， \lambda_3 = \lambda_1+\lambda_2 - \lambda_4 λ1=0，λ3=λ1+λ2−λ4带入 J ( λ ) \mathcal{J}(\lambda) J(λ)中，得： J ( λ ) = 4 λ 2 2 + 1 2 λ 4 2 + + 2 λ 2 λ 4 − 2 λ 2 ⟹ 求 偏 导 { ∂ J ∂ λ 2 = 8 λ 2 + 2 λ 4 − 2 = 0 ∂ J ∂ λ 4 = 2 λ 2 + λ 4 = 0 ⟹ { λ 2 = 1 2 λ 4 = − 1 ( ≤ 0 不 满 足 s . t . ) 再 令 ： λ 2 = 0 , 则 λ 4 = 0 ， J ( λ ) = 0 ； 或 λ 4 = 0 , 则 λ 2 = 1 4 ， J ( λ ) = − 1 4 ； \mathcal{J}(\lambda) = 4\lambda_2^2+\frac{1}{2}\lambda_4^2++2\lambda_2\lambda_4 -2\lambda_2 \ \ \Longrightarrow ^{求偏导}\ \left{\begin{matrix} \frac{\partial \mathcal{J}}{\partial \lambda_2} = 8\lambda_2+2\lambda_4-2=0 \ \frac{\partial \mathcal{J}}{\partial \lambda_4} = 2\lambda_2+\lambda_4=0 \end{matrix}\right. \Longrightarrow \left{\begin{matrix} \lambda_2=\frac{1}{2} \ \lambda_4=-1(\le0 \ \ \ \ 不满足s.t.) \end{matrix}\right.\ 再令：\ \lambda_2 = 0,则\lambda_4=0， \mathcal{J}(\lambda) = 0；\ 或\lambda_4 = 0,则\lambda_2=\frac{1}{4}， \mathcal{J}(\lambda) = -\frac{1}{4}； J(λ)=4λ22+21λ42++2λ2λ4−2λ2⟹求偏导{∂λ2∂J=8λ2+2λ4−2=0∂λ4∂J=2λ2+λ4=0⟹{λ2=21λ4=−1(≤0 不满足s.t.)再令：λ2=0,则λ4=0，J(λ)=0；或λ4=0,则λ2=41，J(λ)=−41；
同理可得：
λ 2 = 0 \lambda_2 = 0 λ2=0 λ 1 = 0 , 则 λ 4 = 0 ， J ( λ ) = 0 ； 或 λ 4 = 0 , 则 λ 1 = 1 ， J ( λ ) = − 1 ； \lambda_1 = 0,则\lambda_4=0， \mathcal{J}(\lambda) = 0；\\ 或\lambda_4 = 0,则\lambda_1=1， \mathcal{J}(\lambda) =-1； λ1=0,则λ4=0，J(λ)=0；或λ4=0,则λ1=1，J(λ)=−1；
λ 3 = 0 \lambda_3 = 0 λ3=0 λ 1 = 0 , 则 λ 2 = 2 13 ， J ( λ ) = − 2 13 ； 或 λ 2 = 0 , 则 λ 1 = 2 5 ， J ( λ ) = − 2 5 ； \lambda_1 = 0,则\lambda_2=\frac{2}{13}， \mathcal{J}(\lambda) = -\frac{2}{13}；\\ 或\lambda_2 = 0,则\lambda_1=\frac{2}{5}， \mathcal{J}(\lambda) =-\frac{2}{5}； λ1=0,则λ2=132，J(λ)=−132；或λ2=0,则λ1=52，J(λ)=−52；
λ 4 = 0 \lambda_4 = 0 λ4=0 λ 1 = 0 , 则 λ 2 = 1 4 ， J ( λ ) = − 1 4 ； 或 λ 2 = 0 , 则 λ 1 = 1 ， J ( λ ) = − 1 ； \lambda_1 = 0,则\lambda_2=\frac{1}{4}， \mathcal{J}(\lambda) = -\frac{1}{4}；\\ 或\lambda_2 = 0,则\lambda_1=1， \mathcal{J}(\lambda) =-1； λ1=0,则λ2=41，J(λ)=−41；或λ2=0,则λ1=1，J(λ)=−1； 综上： λ 1 , 2 , 3 , 4 = { 1 , 0 , 1 , 0 } \lambda_{1,2,3,4} =\{1,0,1,0\} λ1,2,3,4={1,0,1,0} { W = ∑ i = 1 N λ i y ( i ) x ( i ) b = y ( j ) − ∑ i = 1 N λ i y ( i ) ( x ( i ) ) T x ( j ) ⟹ { W = [ 1 , 1 ] T b = − 1 ⟹ x ( 1 ) + x ( 2 ) − 1 = 0 \left\{\begin{matrix} W=\sum_{i=1}^{N} \lambda_{i} y^{(i)} \boldsymbol{x}^{(i)}\\ b=y^{(j)}-\sum_{i=1}^{N} \lambda_{i} y^{(i)}\left(x^{(i)}\right)^{T} x^{(j)} \end{matrix}\right. \Longrightarrow \left\{\begin{matrix} W = [1,1]^T\\ b=-1 \end{matrix}\right. \\\Longrightarrow x^{(1)}+x^{(2)} -1 =0 {W=∑i=1Nλiy(i)x(i)b=y(j)−∑i=1Nλiy(i)(x(i))Tx(j)⟹{W=[1,1]Tb=−1⟹x(1)+x(2)−1=0
本文转载自: https://blog.csdn.net/pylittlebrat/article/details/127830682
版权归原作者 ACxz 所有， 如有侵权，请联系我们删除。
版权归原作者 ACxz 所有， 如有侵权，请联系我们删除。