支持向量机课（SVM）（五）--SMO算法（省去公式推导，只讲其思想）

桃扇骨 2021-11-23 02:26 299阅读 0赞

前段时间准备执业医、师兄师姐答辩拍照、找实习。博客又落下了。继续继续ing~

紧接上一节[SVM][]，来讲SMO，SMO为SVM最难啃的地方了吧，看到一大推公式。

我本着省去最繁琐的公式推导，给大家尽可能用人话讲清SMO的道理。

首先，上一节，我们得到最后的优化目标：

$\\underset\{a\}\{min\}=\\frac\{1\}\{2\}\\sum \\sum a\_\{i\}a\_\{j\}y\_\{i\}y\_\{j\}\\mathbf\{K\}（x\_\{i\}，x\_\{j\}）-\\sum a\_\{i\}$

$s.t \\sum a\_\{i\}y\_\{i\}=0$

$0\\leqslant \\alpha \_\{i\}\\leqslant C$

现在就补了这个坑。

SMO只一次优化两个未知参数$\\alpha \_\{1\}$ ,$\\alpha \_\{2\}$，将其他$\\alpha \_\{i＞2\}$共N-2个参数固定，将原始求解N个参数二次规划问题分解成很多个子二次规划问题分别求解，每个子问题只需要求解2个参数，方法类似于坐标上升。

首先根据约束条件$ \\sum a\_\{i\}y\_\{i\}=0$，固定$\\alpha \_\{1\}$ ,$\\alpha \_\{2\}$，其他参数当成常数。

有

![1348513-20190603105158812-730754514.png][]（i和j分别取1,2，但是核函数里只有j可动，i已知，不可动）（0）

根据约束条件有$\\alpha \_\{1\}y\_\{1\}+ \\alpha \_\{2\}y\_\{2\}=-\\sum \_\{j=3\}^\{N\}y\_\{j\}=\\zeta $（1）

由（1）得

![1348513-20190603103308233-1234324137.png][]（等式两边同乘以y1，且$y\_\{i\}^\{2\}=1$）（2）

且假设我们上一轮迭代得到$\\alpha \_\{1\}^\{old\}$,$\\alpha \_\{2\}^\{old\}$，以及下轮迭代得到的$\\alpha \_\{1\}^\{new\}$，$\\alpha \_\{1\}^\{new\}$

定义一个函数，为了后面简化公式（类似于损失函数，把超平面g(x)当做预测值，yi当做真实值）

![1348513-20190603103729168-408093620.png][]（3）

令

![1348513-20190603104557653-110777090.png][]（同样为了简化公式）（相当于超平面g(x)去掉$\\alpha \_\{1\}$ ,$\\alpha \_\{2\}$的部分）（4）

准备工作做完了，我说的简化公式计算就在这。**（假设先求α2，由公式2可求得α1）****将公式2,3,4带入公式0中，有**

![1348513-20190603105640083-409197389.png][]

得到$\\alpha \_\{2\}^\{new，unclipped\}$

![1348513-20190603110140245-1819068477.png][]

--------------------

tips

到这，大家有疑问了，这个什么未修剪的$\\alpha \_\{2\}$什么鬼？

其实就是不加约束条件的下，直接求出来的 $\\alpha \_\{2\}$嘛。

--------------------

下面加上约束条件。

根据约束条件可得公式1和$0\\leqslant \\alpha \_\{i\}\\leqslant C$

大家可以手动设定$\\alpha \_\{1\}y\_\{1\}+ \\alpha \_\{2\}y\_\{2\}=-\\sum \_\{j=3\}^\{N\}y\_\{j\}=\\zeta $（1）等于比如3，C=5，y1≠y2

下图是博主本人手算的，对于理解SMO原文中图a很有帮助

![1348513-20190603111309449-770734831.png][]

![1348513-20190603110456307-340297734.png][]（a）

当为上图左图，有![1348513-20190603111422006-294095452.png][]

当为上图右图，有![1348513-20190603111450055-1616263705.png][]

最后有$\\alpha \_\{2\}^\{new，unclipped\}$和$\\alpha \_\{2\}^\{new\}$的关系为

![1348513-20190603112009618-1525378177.png][]

到此，我们再总结一下，把优化目标里的a1，a2看最未知，其他a都已知

通过对优化目标的求导，化简，变形等，求出$\\alpha \_\{2\}^\{new，unclipped\}$

再根据约束条件，得到$\\alpha \_\{2\}^\{new，unclipped\}$和$\\alpha \_\{2\}^\{new\}$的关系，即得到了$\\alpha \_\{2\}^\{new\}$

再根据公式1，得到$\\alpha \_\{1\}^\{new\}$。

参考：

[https://www.cnblogs.com/pinard/p/6111471.html][https_www.cnblogs.com_pinard_p_6111471.html]

[https://blog.csdn.net/luoshixian099/article/details/51227754][https_blog.csdn.net_luoshixian099_article_details_51227754]

转载于:https://www.cnblogs.com/super-yb/p/10966484.html

[SVM]: https://www.cnblogs.com/super-yb/p/10853436.html
[1348513-20190603105158812-730754514.png]: /images/20211122/3d8edc4b29c049b1bffee9b901bb7473.png
[1348513-20190603103308233-1234324137.png]: /images/20211122/f4b4a71964c54919823e29bd44918472.png
[1348513-20190603103729168-408093620.png]: /images/20211122/3a1e47d1419c496a9a48a910ee391833.png
[1348513-20190603104557653-110777090.png]: /images/20211122/905ac30c55df4e92a2ac1683c92f99ed.png
[1348513-20190603105640083-409197389.png]: /images/20211122/e1dab77435fc4f4393e24d89087ed7ab.png
[1348513-20190603110140245-1819068477.png]: /images/20211122/8d061414ba75418e92d7a84c2a8e9809.png
[1348513-20190603111309449-770734831.png]: /images/20211122/a278869143c94c9e9d067293f214fa29.png
[1348513-20190603110456307-340297734.png]: /images/20211122/069067ddde2541b281c0e8df54d930d6.png
[1348513-20190603111422006-294095452.png]: /images/20211122/dc7e9892b14f48c5ab7d5dece3f52bac.png
[1348513-20190603111450055-1616263705.png]: /images/20211122/39927ad9a05240069fd727cec949f97a.png
[1348513-20190603112009618-1525378177.png]: /images/20211122/7cd444f98e0942bcb00f4446c00cfc7c.png
[https_www.cnblogs.com_pinard_p_6111471.html]: https://www.cnblogs.com/pinard/p/6111471.html
[https_blog.csdn.net_luoshixian099_article_details_51227754]: https://blog.csdn.net/luoshixian099/article/details/51227754