機器學習：支持向量機(SVM)
SVM，稱為支持向量機，曾經一度是應用最廣泛的模型，它有很好的數學基礎和理論基礎，但是它的數學基礎卻比以前講過的那些學習模型複雜很多，我一直認為它是最難推導，比神經網絡的BP算法還要難懂，要想完全懂這個算法，要有很深的數學基礎和優化理論，本文也只是大概討論一下。本文中所有的代碼都在我的github。
硬間隔SVM推導
如果現在我們需要對一堆數據進行二分類處理，並且這些數據都是線性可分的(一條直線就能將數據區分開)，那麼你會如何對之進行劃分？如圖1。
我們只需要在倆類數據的中間找出一條直線即可，如果數據是三維的，那麼我們需要找出中間的切分面，能將倆類數據劃分開的直線有很多，在圖1中就有三條，那麼你如何判斷哪一條才是最適合的呢？直觀來看，肯定是中間的藍色線，因為黃線太靠近藍點，綠線太靠近紅色，這樣的線對樣本擾動的容忍性低，在測試集中很容易就會出錯，而藍色線是受影響最小的，因為它距離倆類樣本最遠，這樣才具有泛化能力，那麼我們需要找出的線就是距離倆類樣本最遠，其實就是最中間的線，從圖1中可以看出平面上有很多點，問題在於哪些點才能衡量出線到倆類數據的距離呢？那肯定是距離線最近的那些點，我們把最近樣本點到劃分邊界的距離稱為間隔。我們的目標就是達到最大間隔的那個劃分邊界。下面先來求間隔。
間隔
用\(W^TX + b = 0\)來表示劃分邊界，我們先計算點到這個劃分邊界的距離，因為數據可能是高維的，所以不能用點到直線的距離，應該計算點到面的距離。圖2就是計算其中有一個\(P\)到面的距離。
$Q$是平面上任意一點，其中$W^T$是平面的法向量，這個我們推導出來，假設平面上任意倆點$x_1,x_2$，
$$
W^T(x_1 – x_2) = W^Tx_1 – W^Tx_2 = (-b) – (-b) = 0
$$
因此$W^T$與平面垂直。設$P$到平面上距離為$d$，從圖中我們可以很容易的看出，
$$
\begin{align}
d & = |PQ|cos\theta \notag \\
& = |P – Q|cos
& = |P – Q| \frac{|W^T(P-Q)|}{|W||P – Q|} \notag \\
& = \frac{1}{|W|}|W^TP – W^TQ| \notag \\
\end{align}
$$
因為$Q$是平面上任意一點，所以$W^TQ + b = 0$，點$P$到平面上的距離公式變成
$$
d = \frac{1}{|W|}|W^TP + b|
$$
假設數據集\(D = \{(x_1,y_1),(x_2,y_2),\dots,(x_n,y_n)\}\)，點到劃分邊界的距離就是\(d = \frac{1}{|W|}|W^Tx_i + b|\)，之前我們說最近樣本點到劃分邊界的距離稱為間隔，那麼間隔用公式表示就是
\]
這個公式也被稱為幾何間隔，是我們的目標。
因為\(\frac{1}{|W|}\)和\(min\)沒有關係，可以直接提到前面去，
\]
現在單獨來看這個公式，我們可以將絕對值符號替換掉不？絕對值裏面的數一定是正數，如果所有的數據都會正確分類，沒有那種錯誤的數據，那麼\(W^Tx_i + b\)在負類中的結果是負數，\(W^Tx_i + b\)在正類中的結果是正數，我們一般將負類表示為-1，正類表示為1，那麼就有辦法了，直接將之乘以各自的類別，
\]
我們再來看看這個式子的含義，數據如果帶入\(y_i(W^Tx_i + b)\)，計算出來的肯定不是0，因為結果0代表這個點就在這個劃分邊界上，肯定是一個數，並且帶入的點離劃分邊界越遠，計算出來的結果就越大，我們就有更大的把握將之分類正確，那麼\(y_i(W^Tx_i + b)\)其實就是數據分類的置信度，我們也將之稱為函數間隔，這裡的置信度不是概率而是一個確切的值，沒有統一的量綱，會出現問題，我們如果將劃分邊界的\(W\)和\(b\)等比例放縮，比如將\(x + y + z + 1 = 0\)變成\(2x + 2y + 2z + 2 = 0\)，這樣放縮過後的平面與原來的平面其實還是同一個平面，平面沒變，點的位置也沒變，那麼幾何間隔不變，但是函數間隔就發生了變化，擴大2倍，那麼我們就需要將劃分邊界的\(W\)和\(b\)的比例定下來，這個比例就是隨便定哪種，因為它不影響幾何間隔的大小，既然比例可以隨便定了，那麼我就定成最小點到平面距離為1的比例，也就是\(y_i(W^Tx_i + b) = 1\)，那麼間隔大小就是
\]
我們的目標就是達到最大間隔的那個劃分邊界，別忘了還有條件，數據能夠被完全正確劃分，用公式表示就是，
s.t. y_i(W^Tx_i + b) \geq 1
\]
對於函數間隔設置為1，除了之前的代數角度，還可以從另一個角度來看，平面的變化就是\(W\)和\(b\)的變化，我們需要找出最好的劃分邊界，那麼就需要不斷地變化\(W\)和\(b\)來表示不同的劃分邊界，\(W\)和\(b\)有倆種，一種是等比例，另一種是不等比例，等比例變化之後還是原來的平面，這明顯不是我們想要的，我們想要的是不同的平面，那麼就需要不等比例，那麼我們就將函數間隔縮放成1，每次調整參數的時候，都會按比例把函數間隔縮放成1，這樣變化\(W\)和\(b\)就不會出現第一種情況了。
現在這個問題就變成了求最大值的問題，在機器學習中就是優化問題，在優化最值問題中，一般都求最小值，因為如果你求最大值的話，你沒有上界，你無法判斷出結果如何，但是在求最小值中，我們可以將0當成下界，所以可以將之轉化為最小值問題，就變成了\(\min\limits_{W,b}|W|\)。這裡就需要比較向量的大小，專業化就是度量向量大小，在數學中可以使用範式，最常用的歐氏距離就是2範式，我們也將之變成2範式，並且為了簡化之後的計算，在前面加上\(\frac{1}{2}\)，就變成了
s.t. y_i(W^Tx_i + b) \geq 1，i=1,2,\dots,n
\]
我們可以利用QP解法來直接求這個最小值，但是一旦要引入核函數，那麼這種解法就很複雜了，沒有效率，因此需要利用優化來求解。
對偶
上面的求最值問題在機器學習中被稱為優化問題，從導數的時候，我們就學過求函數的最值，是利用導數為0，不過那時候是沒有約束條件的，後來上大學，高數中出現求等式約束條件下多元函數的極值，這個時候我們來看怎麼求，有了約束條件，那麼取值就有範圍，只能在這個等式中的值，我們可以通過圖來直觀的感受，這裡我們使用的是等高線圖來表示值的大小，並且用公式表示約束就是
s.t. h(x) = 0
\]
圖3中藍色線就是值的等高線，是函數$f(x)$的值，黃線就是等式約束條件，等式約束條件就是$h(x)$，在約束條件下，值是先變小，小到一定程度之後開始慢慢變大，當黃線到達極小值的時候，必然會有等高線與之相切，在極值點處$x^{\ast}$，黃線的梯度與等高線垂直，而等高線自身的梯度也是與等高線垂直，那麼黃線的梯度與等高線的梯度共線，自然就有了
$$
\bigtriangledown f(x^{\ast}) = \lambda \bigtriangledown h(x^{\ast})
$$
並且這個極值點處$x^{\ast}$在等式約束條件$h(x)$中也是存在的，因此也要滿足
$$
h(x^{\ast}) = 0
$$
上面倆個等式就是求極值點所需要的倆個條件，有了它們就能求，為了能將它們都包含在無約束的優化問題中，就設計出了這樣一個函數。
$$
L(x,\lambda) = f(x) + \lambda h(x) \\
s.t. \lambda \geq 0
$$
這個就是拉格朗日函數，一般拉格朗日函數都是需要對$x$和$\lambda$求偏導的，我們求出偏導就發現這倆個偏導和上面的倆個條件是一樣的。
$$
\frac{\partial L}{\partial x} = \bigtriangledown f(x) + \lambda \bigtriangledown h(x) = 0 \\
\frac{\partial L}{\partial \lambda} = h(x) = 0
$$
但是在實際優化問題中很多都是不等式約束，如果只有一個不等式的話，那麼還是使用拉格朗日即可。但是很多時候都有很多不等式，就比如我們上面的那個優化問題，它有\(n\)個不等式，這裡我們先看有倆個不等式約束條件的情況，
s.t. h_1(x) \leqslant 0，h_2(x) \leqslant 0
\]
我們可以畫出圖形，就是
其中的黃線就是不等式約束$h_2(x)$，綠線就是$h_1(x)$，從圖中可以看到函數$f(x)$在極值點處的梯度始終在倆條不等式約束梯度的中間，這在向量空間就是表示$\bigtriangledown f(x^{\ast})$可以由$-\bigtriangledown h_1(x^{\ast})$和$-\bigtriangledown h_2(x^{\ast})$線性表示出來，並且線性表示的係數必定是非負的，公式可以表示
$$
\bigtriangledown f(x^{\ast}) = -\mu_1\bigtriangledown h_1(x^{\ast})-\mu_2\bigtriangledown h_2(x^{\ast}) \\
\mu_1 \geq 0, \mu_2 \geq 0
$$
這個倆個分別是梯度為0條件和可行條件，當然，在約束條件中，還有一種情況，就是線性表示與其中一些不等式梯度無關，比如再加上一個不等式約束為$h_3(x)$，在圖中表示就是
從圖中可以看出灰線所表示的約束與線性表示無關，因為它的最小值不在\(x^{\ast}\)，但是我們的條件還是要寫成
\mu_1 \geq 0, \mu_2 \geq 0, \mu_3 \geq 0
\]
那麼其中的\(\mu_3\bigtriangledown h_3(x^{\ast})\)該如何消去呢，那麼再增加一個互補鬆弛條件就是
\]
因為在極值點處，\(h_1(x^{\ast})\)和\(h_2(x^{\ast})\)都是為0的，但是\(h_3(x^{\ast})\)不是0，用圖中線段的話，\(h_3(x^{\ast}) < 0\)，那麼\(\mu_3 = 0\)，這樣就能彌補上麵條件的缺陷了。這三個條件也被稱為KKT條件，KKT條件就是存在局部極小值點的必要條件，整理起來就是
\bigtriangledown f(x^{\ast}) + \mu_1\bigtriangledown h_1(x^{\ast})+\mu_2\bigtriangledown h_2(x^{\ast})+\mu_3\bigtriangledown h_3(x^{\ast}) =0 \\
\mu_1h_1(x^{\ast})+\mu_2h_2(x^{\ast})+\mu_3 h_3(x^{\ast}) = 0
\]
KKT條件是強對偶關係的充要條件，很多優化原問題很難求解，就需要找出原問題的對偶問題來求解。順便說一下，slater條件是強對偶關係的充分非必要條件。而凸二次規劃問題是一定滿足slater條件，我們的SVM就是一個凸二次規劃問題，因為它的目標函數\(f(x)\)是凸函數，並且約束都是放射函數，所以它一定是滿足強對偶關係的，但是下面推導我們依舊慢慢推導。
上面無論什麼約束，目標函數\(f(x)\)和約束函數\(h(x)\)都是變成一個式子的，因此我們先將之轉變為拉格朗日函數，變成無約束問題。將約束條件轉變為一般形式
\]
之後變成拉格朗日函數
s.t. \lambda_i \geq 0
\]
那麼我們能不能用拉格朗日函數來表示原問題呢？當然也是可以的，原問題是優化問題，可以轉變為極大極小問題，
\]
我們可以分情況來討論，當\(1-y_i(W^Tx_i + b) > 0\)的時候，\(L(x,\lambda)\)沒有最大值，或者說最大值是\(+\infty\)，當\(1-y_i(W^Tx_i + b) \leq 0\)的時候，\(L(x,\lambda)\)有最大值，最大值就是\(\frac{1}{2}|W|^2\)，那麼上面的極小極大可以變成
\]
其中\(\lambda_i\)用於表達約束，上式中\(\max\limits_{\lambda}L(x,\lambda)\)無法求，更無法使用偏導來求，因為式子\(L(x,\lambda)\)中的\(W\)和\(b\)沒有固定住。那麼這樣不行的話，就使用對偶問題來求，一般式都是滿足弱對偶關係的，也就是
\]
弱對偶關係很簡單，但是我們想要的是強對偶關係，那麼就需要用到上面所說的KKT條件，那麼我們求解KKT條件，先來看自帶的約束條件和KKT乘子條件就是
\lambda_i \geq 0
\]
第二個條件就是梯度為0條件，那麼需要對\(W\)和\(b\)進行求導
\frac{\partial L}{\partial b} = \sum\limits_{i=1}^{n}\lambda_iy_i = 0
\]
第三個條件就是互補鬆弛條件，對於任意的i，都有
\]
滿足了這三條要求，我們就可以轉化為對偶問題了，得到了
\]
那麼先對其中的\(W\)和\(b\)求偏導，其中也就是KKT中的第二個條件，
\frac{\partial L}{\partial b} = \sum\limits_{i=1}^{n}\lambda_iy_i = 0
\]
那麼可以得到
\sum\limits_{i=1}^{n}\lambda_iy_i = 0
\]
將之帶入到原方程中去，
L(x,\lambda) & = \frac{1}{2}W^TW + \sum\limits_{i=1}^{n}\lambda_i(1-y_i(W^Tx_i + b)) \notag \\
& = \frac{1}{2}\sum\limits_{i=1}^{n}\lambda_iy_ix_i^T\sum\limits_{j=1}^{n}\lambda_jy_jx_j + \sum\limits_{i=1}^{n}\lambda_i-\sum\limits_{i=1}^{n}\lambda_iy_iW^Tx_i -\sum\limits_{i=1}^{n}\lambda_iy_i b \notag \\
& = \frac{1}{2}\sum\limits_{i=1}^{n}\lambda_iy_ix_i^T\sum\limits_{j=1}^{n}\lambda_jy_jx_j + \sum\limits_{i=1}^{n}\lambda_i-\sum\limits_{i=1}^{n}\lambda_iy_i(\sum\limits_{j=1}^{n}\lambda_jy_jx_j^T)x_i -\sum\limits_{i=1}^{n}\lambda_iy_i b \notag \\
& = -\frac{1}{2}\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}\lambda_iy_ix_i^T\lambda_jy_jx_j + \sum\limits_{i=1}^{n}\lambda_i \notag \\
\end{align}
\]
那麼我們可以求得
\]
最終的式子就是
s.t. \lambda_i \geq 0，\sum\limits_{i=1}^{n}\lambda_iy_i = 0 \\
\]
劃分邊界中的\(W^{\ast} = \sum\limits_{i=1}^{n}\lambda_iy_ix_i\)，而我們假設最近樣本點就是\((x_k,y_k)\)，還可以求出\(b^{\ast} = y_k – \sum\limits_{i=1}^{n}\lambda_iy_ix_i^Tx_k\)。
超平面就是\(f(x) = sign(W^{T\ast}x+b^{\ast})\)，還缺少的KKT條件就是
1-y_i(W^Tx_i + b) \leq 0 \\
\lambda_i(1-y_i(W^Tx_i + b)) = 0
\]
此時會過來看SVM，叫做支持向量機，其中的支持向量，其實就是最近樣本點，為什麼這樣說呢？我們看第四個條件，也就是\(\lambda_i(1-y_i(W^Tx_i + b)) = 0\)，只有當\(y_i(W^Tx_i + b) = 1\)的時候，\(\lambda_i\)才不會為0，如果\(y_i(W^Tx_i + b) > 1\)，那麼\(\lambda_i\)為0，\(\lambda_i\)為0的話就對超平面起不到任何的作用，你可以看\(W\)和\(b\)的解。所以SVM關注的只有那些最近樣本點，如下圖6中過虛線的那三個點就是支持向量，這也是和邏輯回歸最大的不同，邏輯回歸關注的是所有的樣本點。那麼問題來了，支持向量多還是少的時候，比較好呢？支持向量越多，訓練得到的模型越複雜，就會有過擬合的風險，但是這也不是絕對的。
SMO
對於上面的那個最終式子的求解，這種極值問題，之前邏輯回歸中使用的梯度下降法，但是這種要求的是多個值，使用的就是坐標下降，每次沿着坐標的方向更新一次，就是每個值依次更新，比如在我們這個問題中，我們要更新\(\lambda_1\)的話，我們就需要固定其他的\(\lambda_i\)的值，然後求導進行更新，但是不能忘了我們的問題是有約束條件的，其中\(\sum\limits_{i=1}^{n}\lambda_iy_i = 0\)就說明如果固定其他的話，\(\lambda_1\)就完全等於一個固定的值了，\(\lambda_1 = -\sum\limits_{i=2}^{n}\lambda_iy_i\)，不可能再更新啥的。每次更新一個值行不通的話，我們就每次固定住其他值，然後更新倆個值\(\lambda_1\)和\(\lambda_2\)，這樣的話，就不會出現上面的情況了，這就是序列最小優化算法SMO的基本思想，其中最小就是最小有倆個。
那麼如何更新這倆個值呢？先來看如何更新最開始的\(\lambda_1\)和\(\lambda_2\)，我們拿出最終式，將這個求最大值的式子先轉化為最小值。
\]
我們設置方程\(K(\lambda_1，\lambda_2) = \frac{1}{2}\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}\lambda_iy_ix_i^T\lambda_jy_jx_j – \sum\limits_{i=1}^{n}\lambda_i\)，然後將這個分解開，其實就是將關於\(\lambda_1\)和\(\lambda_2\)的式子提取出來，因為只有他們倆是未知的，其他都被固定了，可以看成實數。
K(\lambda_1，\lambda_2) & = \frac{1}{2}\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}\lambda_iy_ix_i^T\lambda_jy_jx_j – \sum\limits_{i=1}^{n}\lambda_i \notag \\
& = \frac{1}{2}\lambda_1y_1x_1^T\lambda_1y_1x_1+ \lambda_1y_1x_1^T\lambda_2y_2x_2 + \frac{1}{2}\lambda_2y_2x_2^T\lambda_2y_2x_2 – (\lambda_1 + \lambda_2)+\lambda_1y_1\sum\limits_{i=3}^{n}\lambda_iy_ix_ix_1 + \lambda_2y_2\sum\limits_{i=3}^{n}\lambda_iy_ix_ix_2 + C \notag \\
\end{align}
\]
式子中的C就是代表了\(\sum\limits_{i=3}^{n}\lambda_i\)，其中\(y_i\)就是標籤，只有1和-1這倆種值，所以\(y_i^2 = 1\)，我們將倆個\(x_i\)和\(x_j\)相乘標記為\(k_{ij}\)，並且\(v_1 = \sum\limits_{i=3}^{n}\lambda_iy_ix_1x_i, v_2 = \sum\limits_{i=3}^{n}\lambda_iy_ix_2x_i\)，那麼上面的式子就可以化簡成
K(\lambda_1，\lambda_2) & = \frac{1}{2}\lambda_1y_1x_1^T\lambda_1y_1x_1+ \lambda_1y_1x_1^T\lambda_2y_2x_2 + \frac{1}{2}\lambda_2y_2x_2^T\lambda_2y_2x_2 – (\lambda_1 + \lambda_2)+\lambda_1y_1\sum\limits_{i=3}^{n}\lambda_iy_ix_ix_1 + \lambda_2y_2\sum\limits_{i=3}^{n}\lambda_iy_ix_ix_2 + C \notag \\
& = \frac{1}{2}\lambda_1^2k_{11}+ \lambda_1\lambda_2y_1y_2k_{12} + \frac{1}{2}\lambda_2^2k_{22} – (\lambda_1 + \lambda_2)+\lambda_1y_1v_1 + \lambda_2y_2v_2 + C \notag \\
\end{align}
\]
因為\(\sum\limits_{i=1}^{n}\lambda_iy_i = 0\)，除了\(\lambda_1\)和\(\lambda_2\)，其他的都是固定的，那麼\(\lambda_1y_1 + \lambda_2y_2 = \delta\)，所以可以表示\(\lambda_1 = y_1(\delta- \lambda_2y_2)\)，因此可以帶入式中，式子現在只有一個變量\(\lambda_2\),
\]
可以對\(\lambda\)進行求導，這個求導化簡可以在紙上寫一下，式子很多很長，我怕打錯了，直接寫出化簡的最終式子。
(k_{11} + k_{22} – 2k_{12})\lambda_2 = y_2(y_2 – y_1 + \delta k_{11} – \delta k_{12} + v_1 – v_2)
\]
並且其中的\(\delta = \lambda_1^{old}y_1 + \lambda_2^{old}y_2\)，帶入其中進行化簡，為了區分開，將式子左邊的\(\lambda_2\)變成\(\lambda_2^{new}\)，設置其中的\(g(x) = \sum\limits_{i=1}^{n}\lambda_iy_ik(x_i,x)+b\)，這個\(g(x)\)就代表了預測結果，從上面的\(W\)的求解式可以看出\(g(x) = W^Tx+b\)，我們可以使用\(g(x)\)來替換式子中的\(v_i\)，那麼\(v_1 = g(x_1) – y_1\lambda_1k_{11} – y_2\lambda_2k_{12}-b\)，最終式子化簡變成了
\]
在這個式中，我們需要考慮倆個範圍，第一個就是\(\lambda_i\)的可行域，第二個就是\(k_{11} + k_{22} – 2k_{12}\)的大小。
之前我們提過\(\lambda_1y_1 + \lambda_2y_2 = \delta\)，並且\(\lambda_1\)是一個實數，本身就是有範圍的，我們設置為\(0 \leq \lambda_i \leq C\)，並且\(\lambda_i\)也是需要滿足\(\lambda_1y_1 + \lambda_2y_2 = \delta\)，當\(y_1 = y_2\)，那麼\(\lambda_1 + \lambda_2 = \delta\)，這邊是1還是-1都是沒有影響，當\(y_1 \ne y_2\)，那麼\(\lambda_1 – \lambda_2 = \delta\)，我們畫出這倆個式子的圖像，如下圖7所示。
在左圖中，也就是當$y_1 \ne y_2$，$\lambda_1 – \lambda_2 = \delta$的時候，可以看到有倆種情況，第一種情況就是$\delta < 0$，這時$\delta_2 \in [-\delta,C]$，第二種情況就是$\delta > 0$，這時$\delta_2 \in [0,C-\delta]$，那麼最小值$low = max(0,-\delta)$，最大值$high = min(C,C-\delta)$。在右圖中，當$y_1 = y_2$，$\lambda_1 + \lambda_2 = \delta$的時候，也是倆種情況，第一種情況就是$\delta > C$，這時$\delta_2 \in [\delta – C,C]$，第二種情況就是$0 < \delta < C$，這時$\delta_2 \in [0,\delta]$，最小值$low = max(0,\delta)$，最大值$high = min(C,\delta-C)$。所以$low$和$high$是分倆種情況的，這裡我們統一用$low$和$high$表示，在代碼中比較$y_1$和$y-2$即可，這就是它的定義域，因此
$$
\lambda_2^{new} =
\begin{cases}
hight & \lambda_2^{new} > high，\\
\lambda_2^{new} & low \leq \lambda_2^{new} \leq high，\\
low & \lambda_2^{new} < low，\\
\end{cases}
$$
之後我們還需要考慮$k_{11}+k_{22}-2k_{12}$的取值範圍，當它$k_{11}+k_{22}-2k_{12} > 0$，那麼最小值就在可行域中取到，但是如果$k_{11}+k_{22}-2k_{12} \leq 0$，那麼最小值就在邊界$low$和$high$處取到了。
此時\(\lambda_2\)就被計算出來了，下面就是計算\(\lambda_1\)，還是通過約束條件\(\lambda_1^{old}y_1 + \lambda_2^{old}y_2 = \lambda_1^{new}y_1 + \lambda_2^{new}y_2\)進行計算，下面就是推導過程。
\lambda_1^{new}y_1 + \lambda_2^{new}y_2 & = \lambda_1^{old}y_1 + \lambda_2^{old}y_2 \notag \\
\lambda_1^{new}y_1 & = \lambda_1^{old}y_1 + \lambda_2^{old}y_2 – \lambda_2^{new}y_2 \notag \\
\lambda_1^{new} & = \lambda_1^{old} + (\lambda_2^{old} – \lambda_2^{new})y_1y_2 \notag \\
\end{align}
\]
在式子\(g(x) = \sum\limits_{i=1}^{n}\lambda_iy_ik(x_i,x)+b\)中也出現了b，那麼我們還可以更新b，因為SMO的本質就是不斷地移動劃分邊界來看誰最好，所以也是需要更新b的。
b_1^{new} & = y_1 – W^Tx_1 \notag \\
& = y_1 – \sum\limits_{i=1}^{n}\lambda_iy_ik_{i1} \notag \\
& = y_1 – \lambda_1^{new}y_1k_{11} – \lambda_2^{new}y_2k_{21} – \sum\limits_{i=3}^{n}\lambda_iy_ik_{i1} \notag \\
\end{align}
\]
我們需要化簡上式中的\(y_1 – \sum\limits_{i=3}^{n}\lambda_iy_ik_{i1}\)，我們來看預測差值，也就是
E_1 & = g(x_1) – y_1 \notag \\
& = \sum\limits_{i=1}^{n}\lambda_iy_ik(x_i,x_1)+b^{old} – y_1 \notag \\
& = \lambda_1^{old}y_1k_{11} + \lambda_2^{old}y_2k_{21} + \sum\limits_{i=3}^{n}\lambda_iy_ik_{i1} – y_1 +b^{old} \notag \\
\end{align}
\]
從上式中可以得知\(y_1 – \sum\limits_{i=3}^{n}\lambda_iy_ik_{i1} = -E_1 + \lambda_1^{old}y_1k_{11} + \lambda_2^{old}y_2k_{21} +b^{old}\)，因此b中的更新可以進行替換。
b_1^{new} & = -E_1 + \lambda_1^{old}y_1k_{11} + \lambda_2^{old}y_2k_{21} +b^{old} – \lambda_1^{new}y_1k_{11} – \lambda_2^{new}y_2k_{21} \notag \\
& = -E_1 – y_1k_{11}(\lambda_1^{new} – \lambda_1^{old}) + y_2k_{21}(\lambda_2^{new} – \lambda_2^{old}) +b^{old} \notag \\
\end{align}
\]
那麼所有解的推導式子都有了，更新只要根據式子進行更新就行。
上面的式子就能更新，選出倆個\(\lambda_i\)，之後根據公式求得\(\lambda_i\)，然後進行可行域的判斷，是否超出了上下界，之後更新b。之後在初始選取倆個\(\lambda_i\)方面出現了很多方法，第一個\(\lambda_i\)大多數都是利用KKT條件，也就是選取不滿足KKT條件，那為什麼要選擇呢？這是因為SMO其實就是調整劃分邊界的過程，其中肯定有不滿足\(y_i(W^Tx_i+b) \geq 1\)的存在，如果一個\(\lambda_i\)違背KKT條件程度越大，它就表現得越靠近劃分邊界，最開始的最大值就會越小，它對最開始的最大化函數的減幅也是最大的，所以要先優化它。在代碼中
# 檢查是否滿足KKT條件
if ((labelMat[i]*error < -toler) and (alphas[i] < C)) \
or ((labelMat[i]*error > toler) and (alphas[i] > 0)):
其中labelMat[i]就是數據類別，error就是誤差，表現得就是\(error = W^Tx_i + b – y_i\)，toler就是自己設置的容錯率，alphas[i]就是\(\lambda_i\)，先看第一個條件，其中的labelMat[i]*error < -toler表明了
y_i(W^Tx_i + b) – 1 + toler < 0 \\
那麼可得y_i(W^Tx_i + b)<1
\]
其中如果有軟間隔的話，下面會講，\(y_i(W^Tx_i + b)<1\)的數據都會被調整到支持向量上，這時\(\lambda_i = C\)，但是\(\lambda_i < C\)，這樣的數據就不滿足KKT條件了。第二個條件就是labelMat[i]*error > toler，那麼
y_i(W^Tx_i + b) – 1 – toler > 0 \\
那麼可得y_i(W^Tx_i + b)>1
\]
\(y_i(W^Tx_i + b)>1\)代表了它不是支持向量，是那些比較遠的數據，這類數據如果想要滿足KKT條件的話，\(\lambda_i = 0\)，但是條件是\(\lambda_i > 0\)，那麼自然不滿足KKT條件了。
對於第二個\(\lambda_i\)的選擇，也有很多種方法，其中代表的就是選取與第一個差異最大的數據，能使目標函數有足夠大的變化。
那麼整理一下整個過程：
- 先選取一個\(\lambda_i\)，計算它的誤差，查看是否滿足KKT條件(是否被優化)；
- 滿足條件，使用方法選擇另外一個\(\lambda_j\)，再計算它的誤差；
- 約束\(\lambda_i\)和\(\lambda_j\)的可行域範圍；
- 下面就是求新的\(\lambda_i\)的值了，根據是\(\lambda_i\)新和舊的公式，先計算那個分母，查看它的值；
- 根據公式計算出新的值，優化幅度不大的話，可以結束，進行下一輪；
- 計算出另外一個aj的新值；
- 計算出b的值；
- 如果已經沒有被優化的次數超過了限制次數，說明不用優化了；
軟間隔SVM
到目前為止，我們的SVM還很脆弱，它只能被用在線性可分的數據，並且還不能有噪聲點，這樣的模型是無法使用到現實數據中，因為現實數據的複雜性，會出現很多噪聲點和離群點，
從圖8中看出，SVM的要求很嚴格，即使你分類正確了，也要達到一定的置信度，小於這個置信度，你依然會有損失的存在。我們需要處理這些在虛線內部的點，也就是讓SVM放寬條件，允許模型犯一點小錯誤，讓目標函數加上損失。
\]
關鍵是什麼樣的損失函數能夠滿足SVM？SVM模型只是由支持向量點決定的，對於普通的點，那是沒有任何關係的，所以損失函數也要考慮到這一點，我們可以先來列出要求
- 如果\(y_i(W^Tx_i + b) \geq 1\)，\(loss = 0\)。
- 如果\(y_i(W^Tx_i + b) < 1\)，\(loss = 1 – y_i(W^Tx_i + b)\)
這樣的話，我們將之組合起來，變成
\]
這樣就能保持SVM解的稀疏性，我們將之稱為hingle loss，合頁損失。簡單畫一下它的圖像就是
這樣我們就可以將損失帶入到目標函數中，變成
$$
\min\limits_{W,b}\frac{1}{2}|W|^2 + C\sum\limits_{i=1}^nmax\{0, 1-y_i(W^Tx_i + b)\} \\
s.t. y_i(W^Tx_i + b) \geq 1，i=1,2,\dots,n
$$
這樣是可以繼續簡化的，就是將
$$
\xi_i = 1-y_i(W^Tx_i + b), \xi_i \geq 0
$$
目標函數就變成了
$$
\min\limits_{W,b}\frac{1}{2}|W|^2 + C\sum\limits_{i=1}^n\xi_i \\
s.t. y_i(W^Tx_i + b) \geq 1 – \xi_i，i=1,2,\dots,n \\
\xi_i \geq 0
$$
上面這個就是軟間隔SVM的目標函數，它的求解與上面的硬間隔SVM是一樣的。軟間隔SVM是允許有一點點錯誤的數據存在，但是如果數據完全不是線性可分的呢，那麼上面的方法都無法解決，那該如何？
核函數
我們來看一個經典的異或問題，
圖中有四個點，原點為一類，叉點為一類，這些數據就不是線性可分，那麼上面的SVM不能應用到這類數據中，這樣的話，我們辛辛苦苦推導了那麼久的SVM，原來這麼雞肋，因為現實中還有更複雜的數據，SVM難道都不行嗎？我們先來看這個異或問題該如何解決，SVM所處理的數據肯定是線性可分的，這一點無法改變，那我們能不能改變其他方面，比如將這些線性不可分的點變成線性可分的點，可以試一試，畢竟實踐出真知，我們將二維變成三維，再加上一個特徵，這個特徵值為$(x_1 – x_2)^2$，那麼其中的叉點變成了(0,1,1)和(1,0,1)，圓點變成了(0,0,0)和(1,1,0)，畫出這個三維圖像就是
我們可以看到三維之後，數據就變得線性可分了，這也是cover定理，高維比低維更易線性可分，那麼我們可以直接在SVM中將數據更成高維，讓它變得線性可分，這種利用高維線性可分的方法也被稱為核方法，我們將$\phi(x)$稱為數據變成高維的方法，那麼所有的數據$x$都要變成$\phi(x)$，我們上面求出SVM的最終解就變成了
$$
\max\limits_{\lambda}-\frac{1}{2}\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}\lambda_iy_ix_i^T\lambda_jy_jx_j + \sum\limits_{i=1}^{n}\lambda_i \to \max\limits_{\lambda}-\frac{1}{2}\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}\lambda_iy_i\phi(x_i)^T\lambda_jy_j\phi(x_j) + \sum\limits_{i=1}^{n}\lambda_i \notag
$$
在很多實際的應用中，$\phi(x)$函數需要將數據變成很高的維度甚至無限維，這樣的話，$\phi(x)$的計算就會變得很複雜，一旦複雜，就很難計算，式中需要先計算$\phi(x_i)^T$，再計算$\phi(x_j)$，最後還要計算倆個式子的乘機$\phi(x_i)^T\phi(x_j)$。一看就知道很複雜，那麼我能不能直接計算出$\phi(x_i)^T\phi(x_j)$的值呢，不用計算其中的$\phi(x_i)^T$和$\phi(x_j)$，當然也是可以的，這種直接計算的技巧被稱為核技巧，那麼我們定義出
$$
K(x_i,x_j) = \phi(x_i)^T\phi(x_j) = <\phi(x_i), \phi(x_j)>
$$
其中$<>$代表內積，$K(x_i,x_j)$就被稱為核函數，在很多文獻中也會嚴格的稱它為正定核函數，而一般核函數的定義就是
$$
K: \chi \times \chi \to R \\
\forall x,z \in \chi，稱K(x,z)為核函數
$$
可以看出一般核函數只要是能將數據映射到實數域中就可以了，並不要求是某個函數的內積。而正定核函數是要求內積的，定義就是
$$
K: \chi \times \chi \to R, \forall x,z \in \chi，有K(x,z), \\
如果\exists \phi: \chi \to R, 並且\phi \in 希爾伯特空間, \\
K(x,z) = <\phi(x), \phi(z)>,那麼稱K(x,z)為正定核函數.
$$
那麼我們怎麼證明一個函數是正定核函數呢？不能用定義來證明啊，也無法證明，那麼就有了下面的條件
$$
K: \chi \times \chi \to R, \forall x,z \in \chi，有K(x,z), \\
如果K(x,z)滿足對稱性和正定性，那麼K(x,z)就是正定核函數。
$$
其中的對稱性就是$K(x,z) = K(z,x)$，而正定性就是任意取N個元素，都是屬於$\chi$，對應的gram matrix是半正定的，而其中的gram matrix就是$G = [K(x_i,x_j)]$，下面就是數學知識了，先來看希爾伯特空間，可能一上來就說希爾伯特空間比較懵，我們先來看最簡單的線性空間，線性空間只定義了數乘與加法，但是我們想研究向量的長度怎麼辦，就加入範式，還想研究向量的角度怎麼辦，就加入內積，變成了內積空間，如果我們還想研究收斂性，就要定義完備性，而完備的內積空間就是希爾伯特空間，完備性就是空間函數的極限還是在希爾伯特空間中，內積也是有對稱性、正定性和線性，其中的對稱性也是上面那種，$
這裡我們例舉出幾個常見的核函數，對於這方面，我的了解也不是很深，
- 線性核，\(K(x_i,x_j) = x_i^Tx_j\)，其實就是沒核，還是以前樣子。
- 多項式核，\(K(x_i,x_j) = (x_ix_j + R)^d\)，R代表一個設定的數，d就是次方，當d=1的時候，就是線性核。
- 高斯核，也稱為RBF核，\(K(x_i,x_j) = e^{-\frac{|x_i – x_j|^2}{2\sigma^2}}\)，這是最常用的核函數。
- 拉普拉斯核，\(K(x_i,x_j) = e^{-\frac{|x_i – x_j|}{\sigma}}\)。
- sigmoid核，\(K(x_i,x_j) = tanh(\beta x_i^Tx_j + \theta)\)。
下面我們看一下最常見的RBF核函數是如何將數據變成無限維的，其中用到了泰勒公式
\]
推導如下：
K(x_i,x_j) & = e^{-\frac{|x_i – x_j|^2}{2\sigma^2}} \notag \\
& = e^{-\frac{x_i^2}{2\sigma^2}} e^{-\frac{x_j^2}{2\sigma^2}} e^{\frac{x_ix_j}{\sigma^2}} \notag \\
& = e^{-\frac{x_i^2}{2\sigma^2}} e^{-\frac{x_j^2}{2\sigma^2}} \sum\limits_{n=0}^{N}\frac{(\frac{x_ix_j}{\sigma^2})^n}{n!} \notag \\
& = \sum\limits_{n=0}^{N} \frac{1}{n!\sigma^{2n}} e^{-\frac{x_i^2}{2\sigma^2}}x_i^n e^{-\frac{x_j^2}{2\sigma^2}}x_j^n \notag \\
& = \sum\limits_{n=0}^{N}(\frac{1}{n!\sigma^{2n}} e^{-\frac{x_i^2}{2\sigma^2}}x_i^n)( \frac{1}{n!\sigma^{2n}}e^{-\frac{x_j^2}{2\sigma^2}}x_j^n) \notag \\
& = \phi(x_i)^T\phi(x_j)
\end{align}
\]
從上面可以看出RBF核函數已經將\(x_i\)和\(x_j\)變成了無限維的
\]
核函數不只是在SVM中應用到，其他機器學習模型中也會用到核函數這一概念，畢竟它的思想都是通用，就是高維比低維更加線性可分。
總結
支持向量機在我的研究中用的很少，主要我一直認為它只用於二分類中，並且我一直對核函數並沒有深入的了解過，對於SVM最新的發展研究也沒有關注過，以前用過一次，就用到我的集成模型中作為我的基學習器，並且也用到了SVM的增量學習，其實我看的是一個中文文獻中的SVM增量學習，算法也是非常簡單，主要還是看後來的數據是不是支持向量，但是後來那個模型失敗了，就沒搞過SVM。本文中所有的代碼都在我的github。
