第四节：支持向量机（Support Vector Machine,SVM）

有导式

解决分类、回归的问题

分类原理:

二分类

构造分类超平面，实现样本划分  n维   n-1维

最小化问题，不等式问题

变为：对偶问题，等式问题

转化过程参照网上的博客

推广:（线性不可分的时候仍然能用）

低维空间映射到高维空间，有可能会从线性不可分变为线性可分

纬度增加，要在高维空间做内积，比较复杂，利用K积，简化

支持向量机：低维映射到高维；利用Knell积，低维计算内积代替高维

最早用来解决分类问题

现在用它解决回归问题

在SVM分类的基础上引入了 丌敏感损失函数，从而得到了回归型支持向

量机（Support Vector Machine for Regression，SVR）。

寻找一个最优分类面使得所有训练样本离该最优分类面的误差最小。

多分类转化为二分类

方法一、one-against-all

方法二、one-against-one

每一个a对应一个样本

分块算法（Chunking）

Osuna算法

序列最小优化算法（Sequential Minimal Optimization，SMO）

增量学习算法（Incremental Learning）

怎样选择a，很多论文在论述，自己查

支持向量机的工具箱：（私人开发编写） (matlab系统自带的工具箱是用最小二乘法实现的)

Libsvm工具箱

需要自己下载

需要先安装  C++编译器 （VS就可以）

>> pathtool

^……

重点函数解读

• meshgrid

– Generate X and Y arrays for 3-D plots

– [X,Y] = meshgrid(x,y)

• svmtrain

– Train support vector machine classifier

– model = svmtrain(train_label,train_matrix,’libsvm_options’);

• svmpredict

– Predict data using support vector machine

– [predict_label,accuracy] = svmpredict(test_label,test_matrix,model);

因为训练集、测试集划分比较随机，所以结果不是很好。

搞清楚别人写的函数的接口，实现过程。