数学建模支持向量机精品文稿.ppt

《数学建模支持向量机精品文稿.ppt》由会员分享，可在线阅读，更多相关《数学建模支持向量机精品文稿.ppt（28页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、数学建模支持向量机第1页，本讲稿共28页OutlinenSVM的理论基础n线性判别函数和判别面n最优分类面n支持向量机第2页，本讲稿共28页SVM的理论基础n传统的统计模式识别方法只有在样本趋向无穷大时，其性能才有理论的保证。统计学习理论（STL）研究有限样本情况下的机器学习问题。SVM的理论基础就是统计学习理论。n传统的统计模式识别方法在进行机器学习时，强调经验风险最小化。而单纯的经验风险最小化会产生“过学习问题”，其推广能力较差。n推广能力推广能力是指:将学习机器(即预测函数,或称学习函数、学习模型)对未来输出进行正确预测的能力。第3页，本讲稿共28页过学习问题过学习问题n“过学习问题过学

2、习问题”：某些情况下，当训练误差过小反而会导致推广能力的下降。n例如：对一组训练样本(x,y),x分布在实数范围内，y取值在0，1之间。无论这些样本是由什么模型产生的，我们总可以用y=sin(w*x)去拟合，使得训练误差为0.第4页，本讲稿共28页SVMn由于SVM的求解最后转化成二次规划问题的求解，因此SVM的解是全局唯一的最优解nSVM在解决小样本、非线性及高维模式识别问题中表现出在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中习问题中nJoachims 最近采用SVM在Reute

3、rs-21578来进行文本分类，并声称它比当前发表的其他方法都好第5页，本讲稿共28页OutlinenSVM的理论基础n线性判别函数和判别面n最优分类面n支持向量机第6页，本讲稿共28页线性判别函数和判别面n一个线性判别函数(discriminantfunction)是指由x的各个分量的线性组合而成的函数n两类情况:对于两类问题的决策规则为n如果g(x)0，则判定x属于C1，n如果g(x)0；当；当x点在超平面点在超平面的负侧时，的负侧时，g(x)0，则判定x属于C1，如果g(x)0，则判定x属于C2，如果g(x)=0，则可以将x任意分到某一类或者拒绝判定。第14页，本讲稿共28页广义线性判别

4、函数第15页，本讲稿共28页广义线性判别函数第16页，本讲稿共28页设计线性分类器 第17页，本讲稿共28页OutlinenSVM的理论基础n线性判别函数和判别面n最优分类面n支持向量机第18页，本讲稿共28页最优分类面最优分类面 nSVM 是从线性可分情况下的最优分类面发展而来的,基本思想可用图2的两维情况说明.图中,方形点和圆形点代表两类样本,H 为分类线,H1,H2分别为过各类中离分类线最近的样本且平行于分类线的直线,它们之间的距离叫做分类间隔(margin)。所谓最优分类线就是要求分类线不但能将两类正确分开(训练错误率为0),而且使分类间隔最大.推广到高维空间，最优分类线就变为最优分类

5、面。第19页，本讲稿共28页最优分类面最优分类面第20页，本讲稿共28页如何求最优分类面 第21页，本讲稿共28页最优分类面最优分类面第22页，本讲稿共28页OutlinenSVM的理论基础n线性判别函数和判别面n最优分类面n支持向量机第23页，本讲稿共28页支持向量机 上节所得到的最优分类函数为：n该式只包含待分类样本与训练样本中的支持向量的内积 运算，可见,要解决一个特征空间中的最优线性分类问题,我们只需要知道这个空间中的内积运算即可。n对非线性问题,可以通过非线性变换转化为某个高维空间中的线性问题,在变换空间求最优分类面.这种变换可能比较复杂,因此这种思路在一般情况下不易实现.第24页，

6、本讲稿共28页支持向量机第25页，本讲稿共28页核函数的选择第26页，本讲稿共28页SVM方法的特点n非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射;n对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心;n支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。nSVM 是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的“转导推理”(transductive inference),大大简化了通常的分类和回归等问题。第27页，本讲稿共28页SVM方法的特点nSVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数,这在某种意义上避免了“维数灾难”。n少数支持向量决定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本,而且注定了该方法不但算法简单,而且具有较好的“鲁棒”性。这种“鲁棒”性主要体现在:q增、删非支持向量样本对模型没有影响;q支持向量样本集具有一定的鲁棒性;q有些成功的应用中,SVM 方法对核的选取不敏感。第28页，本讲稿共28页