支持向量机(SVM)中对偶问题的理解
2017-12-26 15:19
232 查看
在硬间隔支持向量机中,问题的求解可以转化为凸二次规划问题:
minw,b12||w||2s.t.yi(wTxi+b)≥1,i=1,2,⋯,m.(1)(2)(1)(1)(1)minw,b12||w||2(2)s.t.yi(wTxi+b)≥1,i=1,2,⋯,m.
如何得到该式的可参考:支持向量机
上式等价于原问题,因为若满足(1)中不等式约束,则(2)式求max时,αi(1−yi(wTxi+b))αi(1−yi(wTxi+b))必须取0,与(1)等价;若不满足(1)中不等式约束,(2)中求max会得到无穷大。
交换min和max获得其对偶问题
maxαi≥0minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}maxαi≥0minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}
交换之后的对偶问题和原问题并不相等,直观地,我们可以这样来理解:胖子中最瘦的那个都比瘦子中最胖的那个要胖。故上式的解小于等于原问题的解。当然这是很不严格的说法,而且扣字眼的话可以纠缠不休,所以我们还是来看其他严格数学意义上的理解。
12||w||2<v1−yi(wTxi+b)≤0(3)(3)12||w||2<v1−yi(wTxi+b)≤0
若方程组(3)无解, 则v是问题(1)的一个下界。
若(3)有解, 则
∀α>0, minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}<v∀α>0, minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}<v
由逆否命题得:若
∃α>0, minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}≥v∃α>0, minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}≥v
则(3)无解。
那么v是问题(1)的一个下界。
要求得一个好的下界,取最大值即可
maxαi≥0minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}maxαi≥0minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}
L(w,b,a)=12||w||2+∑i=1mαi(1−yi(wTxi+b))L(w,b,a)=12||w||2+∑i=1mαi(1−yi(wTxi+b))
p∗p∗为原问题的最小值,对应的ww b分别为w∗w∗和b∗b∗,则对于任意的a>0a>0:
p∗=12||w∗||2≥L(w∗,b,a)≥minw,bL(w,b,a)p∗=12||w∗||2≥L(w∗,b,a)≥minw,bL(w,b,a)
那么minw,bL(w,b,a)minw,bL(w,b,a)是问题(1)的一个下界。
要求得一个好的下界,取最大值即可
maxαi≥0minw,bL(w,b,a)maxαi≥0minw,bL(w,b,a)
参考:如何通俗地讲解对偶问题
minw,b12||w||2s.t.yi(wTxi+b)≥1,i=1,2,⋯,m.(1)(2)(1)(1)(1)minw,b12||w||2(2)s.t.yi(wTxi+b)≥1,i=1,2,⋯,m.
如何得到该式的可参考:支持向量机
理解一
minw,bmaxαi≥0{12||w||2+∑i=1mαi(1−yi(wTxi+b))}(2)(2)minw,bmaxαi≥0{12||w||2+∑i=1mαi(1−yi(wTxi+b))}上式等价于原问题,因为若满足(1)中不等式约束,则(2)式求max时,αi(1−yi(wTxi+b))αi(1−yi(wTxi+b))必须取0,与(1)等价;若不满足(1)中不等式约束,(2)中求max会得到无穷大。
交换min和max获得其对偶问题
maxαi≥0minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}maxαi≥0minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}
交换之后的对偶问题和原问题并不相等,直观地,我们可以这样来理解:胖子中最瘦的那个都比瘦子中最胖的那个要胖。故上式的解小于等于原问题的解。当然这是很不严格的说法,而且扣字眼的话可以纠缠不休,所以我们还是来看其他严格数学意义上的理解。
理解二
现在的问题是如何找到问题(1) 的最优值的一个最好的下界?12||w||2<v1−yi(wTxi+b)≤0(3)(3)12||w||2<v1−yi(wTxi+b)≤0
若方程组(3)无解, 则v是问题(1)的一个下界。
若(3)有解, 则
∀α>0, minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}<v∀α>0, minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}<v
由逆否命题得:若
∃α>0, minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}≥v∃α>0, minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}≥v
则(3)无解。
那么v是问题(1)的一个下界。
要求得一个好的下界,取最大值即可
maxαi≥0minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}maxαi≥0minw,b{12||w||2+∑i=1mαi(1−yi(wTxi+b))}
理解三
令L(w,b,a)=12||w||2+∑i=1mαi(1−yi(wTxi+b))L(w,b,a)=12||w||2+∑i=1mαi(1−yi(wTxi+b))
p∗p∗为原问题的最小值,对应的ww b分别为w∗w∗和b∗b∗,则对于任意的a>0a>0:
p∗=12||w∗||2≥L(w∗,b,a)≥minw,bL(w,b,a)p∗=12||w∗||2≥L(w∗,b,a)≥minw,bL(w,b,a)
那么minw,bL(w,b,a)minw,bL(w,b,a)是问题(1)的一个下界。
要求得一个好的下界,取最大值即可
maxαi≥0minw,bL(w,b,a)maxαi≥0minw,bL(w,b,a)
参考:如何通俗地讲解对偶问题
相关文章推荐
- 支持向量机SVM 原理、推导与Matlab实现(2)-对偶问题
- SVM(支持向量机)(二)—Lagrange Duality(拉格朗日对偶问题)
- 深入理解SVM之对偶问题
- 学习SVM(三)理解SVM中的对偶问题
- 深入理解SVM之对偶问题
- SVM中原始问题与对偶问题的理解
- 【机器学习-西瓜书】六、支持向量机(SVM):最大间隔;对偶问题;KKT条件
- 学习笔记——支持向量机svm(2)对偶问题
- 支持向量机(SVM)关键点攻略(最大间隔,对偶问题)
- 支持向量机通俗导论(理解SVM的三层境界)
- SVM之对偶问题
- 支持向量机通俗导论(理解SVM的三层境界)
- 支持向量机通俗导论(理解SVM的三层境界)
- 支持向量机通俗导论(理解SVM的三层境界)
- 支持向量机通俗导论(理解SVM的三层境界)
- 支持向量机通俗导论(理解SVM的三层境界)
- 支持向量机(SVM)入门理解与推导
- 机器学习笔记——支持向量机(II)对偶问题(I)
- SVM中引入拉格朗日对偶理解
- 拉格朗日对偶问题中对偶性的理解