浅谈 SVM

SVM，全称是 support vector machine，中文名叫支持向量机。SVM 是一个面向数据的分类算法，它的目标是为确定一个分类超平面，从而将不同的数据分隔开。

如上图所示， w⃗  为分割线（红线）的法向量，对平面上的某个样本点（向量 u⃗  ），如果满足：

w⃗ ⋅u⃗ ≥c时,则该样本属于正样本.

即:w⃗ ⋅u⃗ +b≥0时,则该样本属于正样本.

最大间隔假设：

w⃗ ⋅x+→+b≥1,w⃗ ⋅x−→+b≤−1

之所以为1，是为了数学上的方便，实际上可以为任何值，可以伸缩法向量 w⃗  的长度而使其为1.

对与每个样本点的 yi 值，有 yi=+1/−1 .
则有：

当yi>0时,yi(w⃗ ⋅x+→+b)≥1,当yi<0时,yi(w⃗ ⋅x−→+b)≥1

⟹yi(w⃗ ⋅x⃗ +b)≥1

对街边（图中红色虚线）点的要求： yi(w⃗ ⋅x⃗ +b)=1 .

“街宽”(两条红虚线的宽度): WIDTH=(x+→−x−→)⋅w⃗ ||w⃗ ||=x+→⋅w⃗ ||w⃗ ||−x−→⋅w⃗ ||w⃗ ||=1−b||w⃗ ||−−1−b||w⃗ ||=2||w⃗ ||

欲找到具有”最大间隔”的划分超平面，也就是要找到能满足 yi(w⃗ ⋅x⃗ +b)≥1 中约束的参数 w 和 b，使得 2||w|| 最大，显然，为了最大化间隔，仅需最大化 ||w||−1 ，这等价于最小化 ||w||2 ，于是，可得到：

min12||w2||,求满足条件的w,b,使得yi(w⃗ xi+b)≥1,i=1,2,...,m

这就是支持向量机（SVM）的基本型。

SVM 这个东西本身并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲清楚。关于 SVM 更深入的理论和推导，会在后续博文中陆续给出，本篇博客不作详细说明。

这里再给出两个概念：硬间隔与软间隔

如上述所说的，所有的样本都必须划分正确，这成为”硬间隔“，而软间隔则是允许某些样本不满足约束

yi(w⃗ ⋅xi+b)≥1

当然，在最大化间隔的同时，不满足约束的样本应尽可能少。

支持向量机学习方法包括构建由简至繁的模型：线性可分支持向量机、线性支持向量机及非线性支持向量机。当训练数据线性可分时，通过硬间隔最大化，学习一个线性的分类器，即线性可分支持向量机，又称为硬间隔支持向量机；当训练数据近似线性可分时，通过软间隔最大化，也学习一个线性的分类器，即线性支持向量机，又称为软间隔支持向量机；当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。