一、前言
- 在单正则化SVM的基础上,提出双正则化参数的L2-SVM,获得它的对偶形式,从而确定最优化的目标函数,结合梯度下降形成:Doupenalty gradient(一种新的SVM参数选择方法)
- Doupenalty-Gradient方法在同时寻找 C+和C−C+和C− 以及核参数这三个参数的最优值时,SVM的性能得到了极大的改善。
二、SVM算法
2.1 SVM 原型算法
- ( 其中 )
- 用来调节错分样本的错误比重
- 为松弛因子,代表错分样本的错误程度
- 表示为样本的类别标签
- 最优超平面法向量
- 最有超平面的阈值
用对偶理论求解最优化,并引入核函数,求出式(1)的对偶形式:
判别函数:
为Lagrange乘子, 是核函数。式(3)的判别函数为 (4)
2.2 SVM 改进算法 L2—SVM
我们把式子 (1) 称为,它的改进算法:二范数软间隔SVM 称为 。详情如下 :
上式的对偶为:
式中
约束条件式 (8) 中去掉了上界 这就是 的重要特性。
它可以将软间隔转换成硬间隔,即将线性不可分转换成线性可分,而目标函数中仅仅是在核函数的对角线上加上一个常数因子1/C,可以当作是核函数的一个微小改动,即:
参考作者:https://blog.csdn.net/wsp_1138886114/article/details/82459928