SVM

SVM的思想是在特征空间中找到一个超平面划分不同类，并且间隔最大的超平面意味着分类置信度比较大。

硬间隔SVM

如样本是线性可分的，则使用硬间隔的SVM，每个样本都是分类正确的

推导过程

空间超平面的方程为Wx+b = 0，W为平面法向量。
点到平面的距离为
最大化间隔即为

具体取值无关，而1/W最大等价于W最大，所以问题等价于

定义拉格朗日函数

所以原问题转换为对偶问题

先求min令其对w和b的偏导为0得出

和

代入原式，对偶问题变成了

然后因为KKT条件，非拉格朗日参数的偏导为0；拉格朗日项为 0；拉格朗日乘子小于0，拉格朗日参数大于0。即;

（倒数第二个式子需要移项，不等式变号）
由此可以推出对于样本i，要么ai=0，要么y(Wx+b) = 1为分界线上的支持向量。
所以支持向量机参数W，b只取决于少数ai不等于0的支持向量。
最后

所以超平面可表示为

其中a*为支持向量的拉格朗日参数。

软间隔SVM

如果 样本近似线性可分，允许少数分类错误，那么可以使用软间隔的SVM。

推导过程

为每个样本引入一个松弛向量，使得样本可以在两个间隔平面中间，既

那么目标函数变为了

其中C为惩罚系数，平衡间隔最大和误分类个数最少。
其拉格朗日函数为

同上步骤一致，对W，b，间隔求偏导令其为0
得

回代得结果和硬间隔SVM一致但是约束多了两个

同理由KKT条件可得


我们可以看出若ai<C则ui>0进一步推出间隔=0，该支持向量就在间隔边界上；当ai=C时

1. 间隔在(0,1)之间，则样本Xi分类正确，位于超平面和间隔边界之间
2. 间隔为1，样本恰好在超平面之上
3. 间隔大于1，样本分类错误

支持向量回归SVR

如果把训练得到的超平面用于回归问题

红色区域为不计入损失的区域

推导过程

为超平面两侧引入不同的松弛向量则得到


其拉格朗日函数为

求偏导为0，得

回代得对偶问题

需要满足KKT条件

损失函数

软间隔SVM还有另外一种推导方式，最小化损失函数

相当于合页损失函数加上L2正则

训练过程

SMO方法，每次选择两个变量ai和aj,并固定其他得参数，然后解对偶问题，得到新的ai和aj。变量得选择先选取违背KKT条件最大得样本，在选择与第一个样本最远的样本。直观解释是样本差异大，对模型得更新程度比较大。
b这个参数通过支持向量y-Wx的平均值得出。

核函数

当样本线性不可分时，就要引入映射，把样本投影到高维可分的平面再去求解，然后因为计算投影函数，再计算内积比较麻烦，直接引入核函数，用K(x1,x2)计算x1和x2在高维空间中的内积。
SVM的目标函数借助核函数就可以化为

常用核函数有

但是实际上要用核函数的时候就用高斯核，因为高斯核可以拟合无穷维空间（高斯核函数的泰勒展开相当于0到n维的多项式核函数之和），改变一下带宽即可。带宽越大，样本影响的范围也越大。带宽越小，非线性程度越大，分类能力越强，容易发生过拟合。

SVM相关面试题

1.SVM的特点
可以解决高维数据的问题（对偶问题把维度相关问题化为了和样本数有关）
全局求解，避免了局部最优
相当于自带L2正则
但是对缺失数据敏感，噪声敏感（关键支持向量）
输入数据需要归一化（涉及计算距离，归一化提高精度；用梯度下降计算的，归一化提高速度）
复杂度为O(n2),大数据不合适
2.为什么要转换为对偶问题

1. 把目标函数和约束全部融入一个新的函数，即拉格朗日函数，再通过这个函数来寻找最优点，更容易处理。
2. 出现样本内积形式，自然引入核函数。
3. 把与样本维度相关的求解转换为与样本数量有关（支持向量）

3.SVM怎么输出预测概率
把SVM的输出结果当作x经过一层LR模型得到概率，其中lr的W和b参数为使得总体交叉熵最小的值。
4.SVM和LR的区别

1. LR和SVM都可以处理分类问题，且一般都用于处理线性二分类问题（在改进的情况下可以处理多分类问题）
2. 两个方法都可以增加不同的正则化项，如l1、l2等等。所以在很多实验中，两种算法的结果是很接近的。
3. LR和SVM都可以用来做非线性分类，只要加核函数就好。
4. LR和SVM都是线性模型，当然这里我们不要考虑核函数
5. 都属于判别模型
   不同
6. LR是参数模型，SVM是非参数模型。
7. 从损失函数来看，区别在于逻辑回归采用的是logistical loss（极大似然损失），SVM采用的是合页损失，这两个损失函数的目的都是增加对分类影响较大的数据点的权重，减少与分类关系较小的数据点的权重。
8. 逻辑回归相对来说模型更简单，好理解，特别是大规模线性分类时比较方便。而SVM的理解和优化相对来说复杂一些，SVM转化为对偶问题后,分类只需要计算与少数几个支持向量的距离,这个在进行复杂核函数计算时优势很明显,能够大大简化模型和计算。
9. SVM不直接依赖数据分布，而LR则依赖整体数据分布，因为SVM只与支持向量那几个点有关系，而LR和所有点都有关系。
10. SVM依赖正则系数，实验中需要做CV
11. SVM本身是结构风险最小化模型，而LR是经验风险最小化模型

最后

以上就是文静羊为你收集整理的SVM详解以及常见面试题SVMSVM相关面试题的全部内容，希望文章能够帮你解决SVM详解以及常见面试题SVMSVM相关面试题所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。