SVR——一种“宽容的回归模型”
严格的线性回归
线性回归：在向量空间里用线性函数去拟合样本。该模型以所有样本实际位置到该线性函数的综合距离为损失，通过最小化损失来求取线性函数的参数。对于线性回归而言，一个样本只要不算正好落在作为模型的线性函数上，就要被计算损失。
宽容的支持向量回归（SVR）
介绍一种“宽容的”回归模型：支持向量回归(Support Vector Regression，SVR)
模型函数
支持向量回归模型的模型函数也是一个线性函数： y = w x + b y=wx+b y=wx+b，但是和线性回归是两个不同的回归模型！
不同点在于：计算损失的原则不同，目标函数和最优化算法也不同。
原理
SVR的两个松弛变量
有一点和SVM是正好相反的：SVR希望样本点都落在“隔离带”内，而SVM希望样本点都在“隔离带”外。这导致SVR要同时引入两个松弛变量： ξ \xi ξ和 ξ ∗ \xi^* ξ∗
上图显示了SVR的基本情况：
- f ( x ) = w x + b f(x)=wx+b f(x)=wx+b是我们最终要求得的模型函数；
- w x + b + ϵ wx+b+\epsilon wx+b+ϵ w x + b − ϵ wx+b-\epsilon wx+b−ϵ（也就是 f ( x ) + ϵ f(x)+\epsilon f(x)+ϵ和 f ( x ) − ϵ f(x)-\epsilon f(x)−ϵ）是隔离带的上下边缘；
- ξ ∗ \xi^* ξ∗是隔离带下边缘之下样本点，到隔离带下边缘上的投影，与该样本点 y y y值的差。
SVR的主问题和对偶问题
SVR主问题的数学描述
SVR的拉格朗日函数和对偶问题
求解SVR对偶问题
用SMO算法求解SVR
使用SMO算法前，还需将 α i \alpha_i αi和 α i ∗ \alpha_i^* αi∗转化为一个参数，因为SMO算法针对的是任意样本 x i x_i xi只对应一个参数 α i \alpha_i αi的情况。
过程采用拉格朗日对偶法，对偶问题有解的充要条件是满足KKT条件，对于SVR的对偶问题，其KKT条件如下：
由KKT条件可见，当且仅当 f ( x i ) − y i − ϵ − ξ i = 0 f(x_i)-y_i-\epsilon-\xi_i=0 f(xi)−yi−ϵ−ξi=0时， α i \alpha_i αi才可以取非0值，当且仅当
y i − f ( x i ) − ϵ − ξ i ∗ = 0 y_i-f(x_i)-\epsilon-\xi_i^*=0 yi−f(xi)−ϵ−ξi∗=0， α i ∗ \alpha_i^* αi∗才可以取非0值。
f ( x i ) − y i − ϵ − ξ i = 0 = > y i = f ( x i ) − ϵ − ξ i f(x_i)-y_i-\epsilon-\xi_i=0=>y_i=f(x_i)-\epsilon-\xi_i f(xi)−yi−ϵ−ξi=0=>yi=f(xi)−ϵ−ξi对应的是在隔离带下边缘以下的样本；
y i − f ( x i ) − ϵ − ξ i ∗ = 0 = > y i = f ( x i ) + ϵ + ξ i ∗ y_i-f(x_i)-\epsilon-\xi_i^*=0=>y_i=f(x_i)+\epsilon+\xi_i^* yi−f(xi)−ϵ−ξi∗=0=>yi=f(xi)+ϵ+ξi∗对应的是在隔离带上边缘以上的样本。
一个样本不可能同时在上边缘上和上边缘下，所以这两个等式只有体格而成立，所以相应的 α i \alpha_i αi和 α i ∗ \alpha_i^* αi∗中至少有一个为0。
假设： λ i = α i − α i ∗ \lambda_i=\alpha_i-\alpha_i^* λi=αi−αi∗
既然 α i \alpha_i αi和 α i ∗ \alpha_i^* αi∗中至少有一个为0，且 0 < = α i , α i ∗ , < = C 0<=\alpha_i,\alpha_i^*,<=C 0<=αi,αi∗,<=C，于是： ∣ λ i ∣ = α i + α i ∗ |\lambda_i|=\alpha_i+\alpha_i^* ∣λi∣=αi+αi∗
将 λ i \lambda_i λi和 ∣ λ i ∣ |\lambda_i| ∣λi∣代入对偶问题，则有：
如此一来，即可以用SMO求解了（这个推导过程仅仅用于说明SMO也可以应用于SVR，具体的求解过程和SVM的SMO算法还是有所差异的）
支持向量与求解线性模型参数
因为 f ( x ) = w x + b f(x)=wx+b f(x)=wx+b，以及前面求出的 w = ∑ i = 1 m ( α i ∗ − α i ) x i w=\sum_{i=1}^{m}{(\alpha_i^*-\alpha_i)x_i} w=∑i=1m(αi∗−αi)xi，因此：
由此可见，只有满足 α i ∗ − α i = ̸ 0 \alpha_i^*-\alpha_i=\not 0 αi∗−αi≠0的样本才对 w w w取值有意义，才是SVR的支持向量。也就上，当样本满足下列条件之一时，才是支持向量：
换言之，这个样本要么在隔离带上边缘以上，要么在隔离带下边缘以下（含两个边缘本身），也就是说，落在 ϵ − \epsilon- ϵ−隔离带之外的样本，才是SVR的支持向量。
可见，无论是SVM还是SVR，它们的解都仅限于支持向量，即只是全部训练样本的一部分，因此SVM和SVR的解都具有稀疏性。
通过最优化方法求解出了 w w w之后，我们还需要求b。
f ( x i ) = w x i + b = > b = f ( x i ) − w x i f(x_i)=wx_i+b=>b=f(x_i)-wx_i f(xi)=wxi+b=>b=f(xi)−wxi，而且对于那些落在隔离带边缘上的支持向量，有 f ( x i ) = y i + ϵ f(x_i)=y_i+\epsilon f(xi)=yi+ϵ，落在隔离带下边缘上的支持变量有 f ( x i ) = y i − ϵ f(x_i)=y_i-\epsilon f(xi)=yi−ϵ。因此，
其中 S u S_u Su是位于隔离带上边缘的支持向量集合，而 S d S_d Sd则是位于隔离带下边缘的支持向量集合。
SVR的核技巧
前面讲过的适用于SVM的核技巧也同样适用于SVR。SVR 核技巧的实施办法和 SVM 一样，也是将输入空间的 x x x通过映射函数 ϕ ( x ) \phi(x) ϕ(x)映射到更高维度的特征空间，然后再在特征空间内做本文前述的一系列操作。
因此，在特征空间中的线性模型为： f ( x ) = w ϕ ( x ) + b f(x)=w\phi(x)+b f(x)=wϕ(x)+b
其中：
对照SVM核函数的做法，我们也令：
具体核技巧的实施过程，对照SVM即可。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/218342.html原文链接：https://javaforall.net
