支持向量机（二）

  之前的博文中，我们讨论了线性支持向量机。这里，我们讨论非线性的情况。

（1）样本集线性不可分，是说对于样本集，其中，不等式不可能被所有样本同时满足。

（2）当（1）中的问题存在时，即称为非线性可分。我们总可以在不等式的左侧加上一个正数（我们称该数为松弛因子），使得不等式成立。如果样本被正确分类，即，则；如果样本不能被正确分类，则这个样本对应的，则。

（3）我们在（2）的条件下重新设计支持向量机：

                                                

  ①所有样本的松弛因子之和，可以反映整个训练样本集的错分程度：错分样本越多，越大；样本错分程度越大，也越大。显然，我们希望尽可能小。因此，我们在线性可分情况下的目标函数上增加对错误的惩罚。

  ②新的目标函数反映了我们的两个目的：一方面希望分类间隔尽可能大，另一方面希望错分的样本尽可能少且错误程度尽可能低。

  ③c是一个需要选择的参数。c越小，表示对错误较容忍而强调对于正确分类的样本的分类间隔；c越大，表示对分类错误的惩罚越大。

（4）将原始问题转化为对偶问题，则有

                                       

  这里，

  ①对偶问题同样是拉格朗日函数的极大极小问题，首先求对的极小：

                                                                              

可以得到:                                                                 

  ②将（4)—①中的解代入中，可以得到：

                                                   

  ③再对求关于α的极大值，则有对偶问题：

                                                   

  ④在分类时，分类正确但处于分类边界面上的样本，有。这些样本点就是离分类超平面最近的那些样本(支持 向量点)，并决定最优超平面的位置。由以上叙述可求得解：

                                                                                 

  上式求解的过程中，是任意一个的样本点。

   ⑤原始问题构造的分离超平面可以写作：

                                                                                                  

    分类决策函数就可以写作：

                                                                                         

（5）关于非线性支持向量机的松弛因子问题讨论：                                                                                                                            一般来说，线性不可分问题在加入松弛变量后可以实现线性可分。其支持向量可能是在间隔边界上，可能是在间隔边界与分离超平面中间，或者在分离超平面误分一侧。           

若，则，此时支持向量恰好落在分类正确的间隔边界上及边界内；

若，则，此时支持向量恰好落在分类正确的间隔边界与分离超平面之间；

若，则，此时支持向量恰好落在分离超平面上；  

若，则，此时支持向量恰好落在分离超平面误分一侧。