资源描述：
《最新SVM-支持向量机基本原理及应用ppt课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、SVM-支持向量机基本原理及应用OutlineSVM的理论基础线性判别函数和判别面最优分类面支持向量机SVM的研究与应用SVM的理论基础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。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。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。OutlineSVM的理论基础线性判别函数和判别面
2、最优分类面支持向量机SVM的研究与应用线性判别函数和判别面一个线性判别函数(discriminantfunction)是指由x的各个分量的线性组合而成的函数两类情况:对于两类问题的决策规则为如果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。线性判别函数下图表示一个简单的线性分类器，具有d个输入的单元，每个对应一个输入向量在各维上的分量值。该图类似于一个神经元。超平面方程g(x)=0定义了一个判定面，它把归类于C1的点与归类于C2的点分开来。当g(x)是线性函数时，这个平面被
3、称为“超平面”(hyperplane)。当x1和x2都在判定面上时，这表明w和超平面上任意向量正交，并称w为超平面的法向量。注意到：x1-x2表示超平面上的一个向量判别函数g(x)是特征空间中某点x到超平面的距离的一种代数度量从下图容易看出上式也可以表示为：r=g(x)/
4、
5、w
6、
7、。当x=0时，表示原点到超平面的距离，r0=g(0)/
8、
9、w
10、
11、=w0/
12、
13、w
14、
15、，标示在上图中。总之：线性判别函数利用一个超平面把特征空间分隔成两个区域。超平面的方向由法向量w确定，它的位置由阈值w0确定。判别函数g(x)正比于x点到超平面的代数距离（带正负号）。当x点在
16、超平面的正侧时，g(x)>0；当x点在超平面的负侧时，g(x)<0多类的情况利用线性判别函数设计多类分类器有多种方法。例如可以把k类问题转化为k个两类问题，其中第i个问题是用线性判别函数把属于Ci类与不属于Ci类的点分开。更复杂一点的方法是用k(k-1)/2个线性判别函数，把样本分为k个类别，每个线性判别函数只对其中的两个类别分类。广义线性判别函数在一维空间中，没有任何一个线性函数能解决下述划分问题（黑红各代表一类数据），可见线性判别函数有一定的局限性。广义线性判别函数如果建立一个二次判别函数g(x)=(x-a)(x-b)，则可以很好的解决上述分类问
17、题。决策规则仍是：如果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。广义线性判别函数广义线性判别函数设计线性分类器Fisher线性判别方法如：Fisher线性判别方法，主要解决把d维空间的样本投影到一条直线上，形成一维空间，即把维数压缩到一维。然而在d维空间分得很好的样本投影到一维空间后，可能混到一起而无法分割。但一般情况下总可以找到某个方向，使得在该方向的直线上，样本的投影能分开的最好。目的是降维,在低维空间中分割OutlineSVM的理论基础线性判别函数和判别面最优分类
18、面支持向量机SVM的研究与应用最优分类面SVM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面。最优分类面如何求最优分类面最优分类面OutlineSVM的理论基础线性判别函数和判别面最优分类面支持向量机SVM的研究与应用支持向量机上节所得到的最优
19、分类函数为：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。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.支持向量机核函数的选择SVM方法的特点①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;②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;③支持向量是SVM的训练结果,在SVM分类决策中起决定
20、作用的是支持向量。SVM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
