机器学习(18)之支持向量机原理(三)线性不可分支持向量机与核函数

会员服务 ·

机器学习(18)之支持向量机原理(三)线性不可分支持向量机与核函数

2017 年 9 月 23 日 机器学习算法与Python学习

微信公众号

关键字全网搜索最新排名

【机器学习算法】：排名第一

【机器学习】：排名第二

【Python】：排名第三

【算法】：排名第四

前言

在（机器学习（15）之支持向量机原理(一)线性支持向量机）和（机器学习(16)之支持向量机原理(二)软间隔最大化）中我们讲到了线性可分SVM的硬间隔最大化和软间隔最大化的算法，它们对线性可分的数据有很好的处理，但是对完全线性不可分的数据没有办法。本文我们就来探讨SVM如何处理线性不可分的数据，重点讲述核函数在SVM中处理线性不可分数据的作用。

多项式回归

在线性回归原理中，我们讲到了如何将多项式回归转化为线性回归。比如一个只有两个特征的p次方多项式回归的模型：

令

得到了下式：

可以发现，又重新回到了线性回归，这是一个五元线性回归，可以用线性回归的方法来完成算法。也就是说，对于二维的不是线性的数据，我们将其映射到了五维以后，就变成了线性的数据。这给了我们启发，也就是说对于在低维线性不可分的数据，在映射到了高维以后，就变成线性可分的了。这个思想我们同样可以运用到SVM的线性不可分数据上。也就是说，对于SVM线性不可分的低维特征数据，我们可以将其映射到高维，就能线性可分，此时就可以运用前两篇的线性可分SVM的算法思想了。

引入核函数

线性不可分的低维特征数据，可以将其映射到高维，就能线性可分。现在我们将它运用到我们的SVM的算法上。线性可分SVM的优化目标函数：

上式低维特征仅仅以内积xi∙xj的形式出现，如果我们定义一个低维特征空间到高维特征空间的映射ϕ（比如上一节2维到5维的映射），将所有特征映射到一个更高的维度，让数据线性可分，我们就可以继续按前两篇的方法来优化目标函数，求出分离超平面和分类决策函数了。也就是说现在的SVM的优化目标函数变成：

看起来似乎这样就已经完美解决了线性不可分SVM的问题了，但是事实是不是这样呢？我们看看，假如是一个2维特征的数据，我们可以将其映射到5维来做特征的内积，如果原始空间是三维，可以映射到到19维空间，似乎还可以处理。但是如果我们的低维特征是100个维度，1000个维度呢？那么我们要将其映射到超级高的维度来计算特征的内积。这时候映射成的高维维度是爆炸性增长的，这个计算量实在是太大了，而且如果遇到无穷维的情况，就根本无从计算了。

核函数的隆重出场

假设ϕ是一个从低维的输入空间χ（欧式空间的子集或者离散集合）到高维的希尔伯特空间的H映射。那么如果存在函数K(x,z)，对于任意x,z∈χ，都有：

那么就称K(x,z)为核函数。

仔细观察上式可以发现，K(x,z)的计算是在低维特征空间来计算的，它避免了在刚才我们提到了在高维维度空间计算内积的恐怖计算量。也就是说，核函数的价值在于它虽然也是将特征进行从低维到高维的转换，但核函数好在它在低维上进行计算，而将实质上的分类效果（利用了内积）表现在了高维上，这样避免了直接在高维空间中的复杂计算，真正解决了SVM线性不可分的问题。

核函数详解

对于从低维到高维的映射，核函数不止一个。那么什么样的函数才可以当做核函数呢？由于一般我们说的核函数都是正定核函数，这里我们直说明正定核函数的充分必要条件。一个函数要想成为正定核函数，必须满足他里面任何点的集合形成的Gram矩阵是半正定的。也就是说,对于任意的，xi∈χ，i=1,2,3...m, K(xi,xj)对应的Gram矩阵K=[K(xi,xj)] 是半正定矩阵，则K(x,z)是正定核函数。从上面的定理看，它要求任意的集合都满足Gram矩阵半正定，所以自己去找一个核函数还是很难的，怎么办呢？下面我们来看看常见的核函数, 选择这几个核函数介绍是因为scikit-learn中默认可选的就是下面几个核函数。

线性核函数

线性核函数（Linear Kernel）其实就是我们前两篇的线性可分SVM，表达式为：