文章目录

00 写在前面

SVM算法可以结合鲸鱼算法、飞蛾扑火算法、粒子群算法、灰狼算法、蝙蝠算法等等各种优化算法一起，进行回归预测或者分类预测。

01 SVM算法简介

支持向量机（Support Vector Machine, SVM）是一种用于分类和回归分析的监督学习模型。SVM的基本思想是通过寻找一个超平面，将不同类别的样本进行最大间隔分离。SVM在高维空间中表现出色，特别适用于小样本、非线性及高维数据的分类。

02 SVM算法的基本原理

SVM的核心目标是找到一个最优分离超平面，使得不同类别的样本之间的间隔（margin）最大化。SVM分为线性SVM和非线性SVM。

线性SVM

对于线性可分的数据集，SVM通过找到一个线性超平面来分离两类数据。假设我们有一个训练数据集 $(x_i,y_i)$，其中 $x_i$ 是特征向量， y i ∈ { − 1 , 1 } y_i \in \{-1, 1\} yi​∈{−1,1} 是类别标签。SVM要找到一个超平面：
$$\mathbf{w}\cdot \mathbf{x}+b=0$$使得所有正类样本和负类样本的间隔最大化。

目标函数：
$$\underset{w,b}{\min }\frac{1}{2}{\Vert w\Vert }^2$$

约束条件：
$$y_i(\mathbf{w}\cdot {\mathbf{x}}_{\mathbf{i}}+b)\ge 1,\forall i$$

通过求解上述优化问题，得到最优的权重向量 $\mathbf{w}$ 和偏置 $b$，从而确定最优分离超平面。

非线性SVM

对于线性不可分的数据集，SVM使用核函数（Kernel Function）将数据映射到高维空间，使得在高维空间中可以找到线性可分的超平面。常用的核函数包括：

• 多项式核（Polynomial Kernel）：
  $$K(x_i,x_j)=({\mathbf{x}}_{\mathbf{i}}\cdot {\mathbf{x}}_{\mathbf{j}}+c{)}^d$$

• 高斯核（RBF核，Radial Basis Function Kernel）：
  $$K(x_i,x_j)=\exp (-\gamma \Vert {\mathbf{x}}_{\mathbf{i}}-{\mathbf{x}}_{\mathbf{j}}{\Vert }^2)$$

• Sigmoid核：
  $$K(x_i,x_j)=\tanh (\alpha {\mathbf{x}}_{\mathbf{i}}\cdot {\mathbf{x}}_{\mathbf{j}}+c)$$

使用核函数后，SVM的目标函数变为：
$$\underset{\mathbf{w},b}{\min }\frac{1}{2}\Vert \mathbf{w}{\Vert }^2+C\sum _{i=1}^n{\xi }_i$$

约束条件：
$$y_i(\mathbf{w}\cdot \varphi ({\mathbf{x}}_{\mathbf{i}})+b)\ge 1-{\xi }_i,{\xi }_i\ge 0,\forall i$$

其中，${\xi }_i$ 是松弛变量，允许误分类的样本，$C$ 是惩罚参数，控制模型复杂度和误分类的权衡。

03 基于Python 版本的SVM算法

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data  # 特征数据
y = iris.target  # 类别标签# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建和训练线性核函数的SVM分类器
linear_clf = SVC(kernel='linear')
linear_clf.fit(X_train, y_train)
linear_pred = linear_clf.predict(X_test)
linear_accuracy = accuracy_score(y_test, linear_pred)
print(f'Linear Kernel Accuracy: {linear_accuracy:.2f}')# 创建和训练多项式核函数的SVM分类器
poly_clf = SVC(kernel='poly', degree=3)
poly_clf.fit(X_train, y_train)
poly_pred = poly_clf.predict(X_test)
poly_accuracy = accuracy_score(y_test, poly_pred)
print(f'Polynomial Kernel Accuracy: {poly_accuracy:.2f}')# 创建和训练RBF核函数的SVM分类器
rbf_clf = SVC(kernel='rbf', gamma='scale')
rbf_clf.fit(X_train, y_train)
rbf_pred = rbf_clf.predict(X_test)
rbf_accuracy = accuracy_score(y_test, rbf_pred)
print(f'RBF Kernel Accuracy: {rbf_accuracy:.2f}')# 创建和训练Sigmoid核函数的SVM分类器
sigmoid_clf = SVC(kernel='sigmoid')
sigmoid_clf.fit(X_train, y_train)
sigmoid_pred = sigmoid_clf.predict(X_test)
sigmoid_accuracy = accuracy_score(y_test, sigmoid_pred)
print(f'Sigmoid Kernel Accuracy: {sigmoid_accuracy:.2f}')

04 优化目标表达式理解：

超平面的一般形式 : 在 (n) 维空间中，超平面是一个 (n-1) 维的子空间。为了更好地理解这一点，考虑几种低维情况：

1. 在二维空间中，一个超平面是一个一维的直线。
2. 在三维空间中，一个超平面是一个二维的平面。

法向量 $\mathbf{w}$

法向量 $\mathbf{w}$ 指向超平面正交（垂直）的方向。法向量的长度 $||w||$ 影响分类间隔的大小。

偏置 $b$

偏置 $b$ 决定了超平面在法向量方向上的位置。改变 $b$ 的值会平行地移动超平面。具体来说，当 $b$ 增加时，超平面沿法向量的方向移动，反之亦然。

点 $\mathbf{x}$ 到超平面的距离可以通过以下公式计算：

$$\text{距离}=\frac{|\mathbf{w}\cdot \mathbf{x}+b|}{\Vert \mathbf{w}\Vert }$$

这个公式的推导过程如下：

假设有一个超平面，其方程为$\mathbf{w}\cdot \mathbf{x}+b=0$。要计算点 ${\mathbf{x}}_0$ 到这个超平面的距离，我们可以通过以下步骤推导出公式。

1. 超平面的几何意义

首先，我们知道一个超平面可以通过其法向量 $\mathbf{w}$ 和偏置 $b$ 来定义。超平面上的点 $\mathbf{x}$ 满足：

$$\mathbf{w}\cdot \mathbf{x}+b=0$$

2. 投影向量

为了找到点 ${\mathbf{x}}_0$ 到超平面的距离，我们可以先找到从点 ${\mathbf{x}}_0$ 到超平面的垂直投影点 ${\mathbf{x}}_1$。这个投影点 ${\mathbf{x}}_1$ 可以表示为：

$${\mathbf{x}}_1={\mathbf{x}}_0-\lambda \mathbf{w}$$

其中，$\lambda$ 是一个标量，表示从点 ${\mathbf{x}}_0$ 沿着法向量 $\mathbf{w}$ 的距离。我们需要找到合适的 $\lambda$ 使得 ${\mathbf{x}}_1$ 落在超平面上。

3. 投影点在超平面上

由于 ${\mathbf{x}}_1$ 在超平面上，所以必须满足超平面的方程：

$$\mathbf{w}\cdot {\mathbf{x}}_1+b=0$$

将 ${\mathbf{x}}_1={\mathbf{x}}_0-\lambda \mathbf{w}$ 代入得到：

$$\mathbf{w}\cdot ({\mathbf{x}}_0-\lambda \mathbf{w})+b=0$$

展开并整理得到：

$$\mathbf{w}\cdot {\mathbf{x}}_0-\lambda \Vert \mathbf{w}{\Vert }^2+b=0$$

解出 $\lambda$：

$$\lambda =\frac{\mathbf{w}\cdot {\mathbf{x}}_0+b}{\Vert \mathbf{w}{\Vert }^2}$$

4. 距离公式

点 ${\mathbf{x}}_0$ 到投影点 ${\mathbf{x}}_1$ 的距离即为垂直距离：

$$\text{距离}=\Vert {\mathbf{x}}_0-{\mathbf{x}}_1\Vert$$

将 ${\mathbf{x}}_1$ 代入得到：

$${\mathbf{x}}_0-{\mathbf{x}}_1={\mathbf{x}}_0-({\mathbf{x}}_0-\lambda \mathbf{w})=\lambda \mathbf{w}$$

因此，距离为：

$$\text{距离}=\Vert \lambda \mathbf{w}\Vert =|\lambda |\Vert \mathbf{w}\Vert$$

将$\lambda =\frac{\mathbf{w}\cdot {\mathbf{x}}_0+b}{\Vert \mathbf{w}{\Vert }^2}$代入得到：

$$\text{距离}=\left|\frac{\mathbf{w}\cdot {\mathbf{x}}_0+b}{\Vert \mathbf{w}{\Vert }^2}\right|\Vert \mathbf{w}\Vert =\frac{|\mathbf{w}\cdot {\mathbf{x}}_0+b|}{\Vert \mathbf{w}\Vert }$$

对于最优分离超平面，两类样本的支持向量（即离超平面最近的样本）满足以下条件：

对于正类支持向量：$$\mathbf{w}\cdot \mathbf{x}+b=+1$$

对于负类支持向量： $$\mathbf{w}\cdot \mathbf{x}+b=-1$$

这些支持向量定义了间隔边界。分类间隔（margin）是这两个边界之间的垂直距离。

对于正类支持向量，$\mathbf{w}\cdot \mathbf{x}+b=1$，所以到超平面的距离为：

$$\text{距离}=\frac{1}{\Vert \mathbf{w}\Vert }$$

同样，对于负类支持向量，$\mathbf{w}\cdot \mathbf{x}+b=-1$，到超平面的距离也是：

$$\text{距离}=\frac{1}{\Vert \mathbf{w}\Vert }$$

05 约束条件表达式理解

• 若 $\mathbf{w}\cdot {\mathbf{x}}_i+b>0$，则 ${\mathbf{x}}_i$ 被分类为正类。

• 若 $\mathbf{w}\cdot {\mathbf{x}}_i+b<0$，则 ${\mathbf{x}}_i$ 被分类为负类。

• 当 $y_i=+1$ 时，$y_i(\mathbf{w}\cdot {\mathbf{x}}_i+b)=\mathbf{w}\cdot {\mathbf{x}}_i+b$，表示正类样本与超平面的距离。

• 当 $y_i=-1$ 时，$y_i(\mathbf{w}\cdot {\mathbf{x}}_i+b)=-(\mathbf{w}\cdot {\mathbf{x}}_i+b)$，表示负类样本与超平面的距离的相反数。

• 约束条件 $$y_i(\mathbf{w}\cdot {\mathbf{x}}_i+b)\ge 1$$ 或$$y_i(\mathbf{w}\cdot {\mathbf{x}}_i+b)\le -1$$能够清晰地定义正类和负类样本相对于超平面的位置关系。

为什么是大于1？(个人理解)

1. 最大化分类间隔：
   SVM的目标是找到一个超平面，使得所有数据点到超平面的距离（即 $|\mathbf{w}\cdot {\mathbf{x}}_i+b|$）尽可能大。约束条件 $y_i(\mathbf{w}\cdot {\mathbf{x}}_i+b)\ge 1$ 确保了正类和负类样本离超平面的距离至少为1。这样做的好处是可以确保分类间隔最大化，因为超平面距离数据点的越远，分类间隔就越大。

2. 避免分类错误：
   如果约束条件是 $y_i(\mathbf{w}\cdot {\mathbf{x}}_i+b)\ge 0$，则意味着只要数据点在超平面的正确一侧，就被认为是正确分类的。这种情况下，可能会出现分类间隔较小或者出现分类错误的情况，因为数据点可以非常接近超平面而仍然被认为是正确分类的。而约束条件 $y_i(\mathbf{w}\cdot {\mathbf{x}}_i+b)\ge 1$ 确保了只有在距离超平面足够远的情况下，数据点才被认为是正确分类的，从而提高了分类的准确性和泛化能力。