北京网络网站建设公司,网站整体迁移该怎么做,类似wordpress的博客系统,wordpress怎么加js文件路径目录1.导出目标2拉格朗日转换3对偶问题#xff1a;因为是希望得出L最小时的一些参数w,b,a#xff0c;但是目前很难一起求得最佳参数#xff0c;所以换个思路。因为#xff1a;所以能够容易的计算出拉格朗日乘子a约束时的最坏情况是#xff1a;但是m个a的值还是无法求出因为是希望得出L最小时的一些参数w,b,a但是目前很难一起求得最佳参数所以换个思路。因为所以能够容易的计算出拉格朗日乘子a约束时的最坏情况是但是m个a的值还是无法求出而后面会得知根据L对w,b的求导关系w,b可以被a表示出来所以关键变为求a。根据对偶关系极大值关系可以转为极小值关系且转换后的问题会不大于原问题在取得极值的时候才取等号也就是这样问题变为先把w,b求导关系代入求L极小值关系最后再寻找a的问题最后a的求解会通过SMO等思路求解具体SMO放到最后讲解因为太难了。4求对偶问题1)求L的极小值时的w,b求导得出极小值需满足如上这些关系2)代入L求导关系式求关于a的极大值所以关键是对这个函数求极大值时的a假设通过后面的SMO找到了记为a*那么显然得到了w的解析式5 求b因为对于所有支持向量点(正例上支持向量点位于WTxb 1超平面上反例WTxb -1)记作(xs,ys)均有:根据KKT条件ai0时yi(WTxib)-10(必定WTxib 1 或WTxib -1)即xi必须是支持向量点而ai0时:也就是说对w无影响因此上式中w还可以简化成只考虑支持向量点计算(实际上这就是SVM称为支持向量机的原因因为模型真正起作用的就只是这些支持向量点)假设我们有S个支持向量(位于WTxb 1WTxb -1超平面上的点集)则对应我们求出S个b∗,理论上这些b∗都可以作为最终的结果 但是我们一般采用一种更健壮的办法即求出所有支持向量所对应的b∗然后将其平均值作为最后的结果6 得出模型ai参数求出之后如上所示就相当于求出了w,b了。就可以得到模型进行预测了def _f(self, i):r self.bfor j in range(self.m):r self.alpha[j] * self.Y[j] * self.kernel(self.X[i], self.X[j])return r6.1 f(x)的约束条件7 核函数现实中可能有些不存在线性的可分超平面但是可能映射到更高维度可能就可分了有证明显示如果原始空间维度有限那么一定存在高维特征空间使样本可分。这样对x的映射关系可以直接用到上面推导的所有公式里原问题映射对偶形式映射这种映射我们并不知道具体是如何的因此也不知如何去计算了所以这里就设想出来核函数的概念了def kernel(self, x1, x2):if self._kernel linear:return sum([x1[k] * x2[k] for k in range(self.n)])elif self._kernel poly:return (sum([x1[k] * x2[k] for k in range(self.n)]) 1) ** 2return 0假设出原来的这种内积映射是等价于某个函数k(.,.)计算的结果。问题就变成了求解后模型为核函数性质k是核函数当且仅当’核矩阵’K总是半正定常见核函数列表另外核函数线性组合起来还是核函数(系数为正)k1,k1,r10,r20k3r1k1r2k2 也是核函数7.1 软间隔讨论软间隔是因为像这种情况严格分出来(线性不可分了已经用核函数可以分)是个弯曲的但实际上应该就是这下面这样一条斜线才是最好的模型表示因此办法是允许在一些情况下出现错误引入软间隔的概念在这个软间隔内允许出错。也就是允许不满足约束对于不满足的点我们会累记一个损失函数再引入惩罚力度因子C则可以重新定义优化目标7.2 松弛变量显然这些损失是常数且0因此引入松弛变量的概念替换原来的损害函数计算结果重写简化上式进行拉格朗日变换为什么这样https://blog.csdn.net/jiang425776024/article/details/87607526同样的求导对偶和上面4一致省略。最终得到如下对偶问题7.3 KKT约束可见与非软间隔的问题相比仅仅是对约束ai多了一个上界约束且约束就是这个约束是有道理的a) 如果α0,那么yi(wTxib)−1≥0,即样本在间隔边界上或者已经被正确分类。b) 如果0c) 如果αC说明这是一个可能比较异常的点需要检查此时ξi1)如果0≤ξi≤1,那么点被正确分类但是却在超平面和自己类别的间隔边界之间2)如果ξi1,那么点在分离超平面上无法被正确分类。3)如果ξi1,那么点在超平面的另一侧也就是说这个点不能被正常分类实现代码判断是否否后KKT条件True符合False不符合def _KKT(self, i):y_g self._g(i) * self.Y[i]if self.alpha[i] 0:#a0:需要yif(xi)-10return y_g 1elif 0 self.alpha[i] self.C: #0return y_g 1else:return y_g 1 #aC:异常点,需要0≤ξi≤1满足在区间内yif(xi)18 SMO求a8.1对偶问题上上面已知对偶形式:8.2.SMO算法思想在SMO算法中的思想是每次选择一对变量(αi,αj)进行优化其余m-2个固定看作是常量, 因为在SVM中α并不是完全独立的而是具有约束的:因此一个只选一个ai那么ai可以被其它表示。假设我们选取的两个需要优化的参数为α1,α2, 剩下的α3,α4,…,αm则固定作为常数处理。将SVM优化问题进行展开就可以得到(把与α1,α2无关的项合并成常数项C):(省略了a3a4...amC因为其对max函数无意义)8.2.1更新方法因为y1,y2只能是1/-1因此a1,a2的关系被限制在盒子里的一条线段上(只能是a1-a2/a1a2两种情况)所以两变量的优化问题实际上仅仅是一个变量的优化问题(一个能由另一个得出)。我们假设是对a2的优化问题,所以只存在2幅图的情况1)y1!y2,则约束a1y1a2y2ka1-a2kLH为约束下a2的最小最大值,为下图2)y1y2:if self.Y[i1] self.Y[i2]:L max(0, self.alpha[i1] self.alpha[i2] - self.C)H min(self.C, self.alpha[i1] self.alpha[i2])else:L max(0, self.alpha[i2] - self.alpha[i1])H min(self.C, self.C self.alpha[i2] - self.alpha[i1])def _E(self, i):return self._f(i) - self.Y[i]则最优化问题转为更新最终更新方式剪辑判断def _compare(self, _alpha, L, H):# 剪辑操作if _alpha H:return Helif _alpha L:return Lelse:return _alphaa1,a2更新# 边界if self.Y[i1] self.Y[i2]:L max(0, self.alpha[i1] self.alpha[i2] - self.C)H min(self.C, self.alpha[i1] self.alpha[i2])else:L max(0, self.alpha[i2] - self.alpha[i1])H min(self.C, self.C self.alpha[i2] - self.alpha[i1])E1 self.E[i1]E2 self.E[i2]eta self.kernel(self.X[i1], self.X[i1]) self.kernel(self.X[i2], self.X[i2]) - 2 * self.kernel(self.X[i1], self.X[i2])if eta 0:# print(eta 0)continuealpha2_new_unc self.alpha[i2] self.Y[i2] * (E1 - E2) / etaalpha2_new self._compare(alpha2_new_unc, L, H)alpha1_new self.alpha[i1] self.Y[i1] * self.Y[i2] * (self.alpha[i2] - alpha2_new)self.alpha[i1] alpha1_newself.alpha[i2] alpha2_new8.2.2 推导过程则求导代入关系式添加新旧标记方便迭代更新得得出上面的更新方式。8.2.3选两点a1,a2的方法SMO每个子问题选择两个变量优化其中至少一个变量是违法KKT条件的。第1个变量a1的选择SMO称选择第一个变量的过程为外层循环外层循环选取违反KKT条件最严重的样本点(xi,yi)对应的ai值作为第一个变量a1检测是否满足KKT条件(7.3有具体介绍)一般外层循环先遍历所有满足0第2个变量a2的选择SMO算法称选择第二一个变量为内层循环假设我们在外层循环已经找到了α1, 第二个变量α2的选择标准是让|E1−E2|有足够大的变化。8.2.1定义了E(预测值与真实值之差)。由于α1定了的时候,E1也确定了所以要想|E1−E2|最大只需要在E1为正时选择最小的Ei作为E2在E1为负时选择最大的Ei作为E2可以将所有的Ei保存为列表加快迭代。如果内存循环找到的点不能让目标函数有足够的下降可以采用遍历支持向量点来做α2,直到目标函数有足够的下降 如果所有的支持向量做α2都不能让目标函数有足够的下降可以跳出循环重新选择α1。def _init_alpha(self):# 外层循环首先遍历所有满足0