求和函数可以通过求映射函数
φ
\varphi
φ,再求
φ
(
x
)
\varphi(x)
φ(x)与
φ
(
z
)
\varphi(z)
φ(z)之间的内积即可得到核函数
K
(
x
,
z
)
K(x,z)
K(x,z),但是实际应用中可以不直接定义映射函数
φ
\varphi
φ,而是直接计算核函数
K
(
x
,
z
)
K(x,z)
K(x,z)。
在对称函数中,函数的输出值不随输入变数的排列而改变。从函数的形式中可以看出若输入变量排列后,方程式不会改变。例如:
c
a
2
+
3
a
b
+
c
b
2
ca^2 + 3ab+ cb^2
ca2+3ab+cb2,在a和b对调后其值不变。
2 怎么找核函数
核函数满足的特征:
核函数应该是对称函数
φ
(
x
i
)
⋅
φ
(
x
j
)
=
K
(
x
i
,
x
j
)
\varphi(x_i)\cdot \varphi(x_j)=K(x_i,x_j)
φ(xi)⋅φ(xj)=K(xi,xj),核函数变量对调后值不变,所以核函数应该是对称函数。
K
(
x
i
,
x
j
)
K(x_i,x_j)
K(xi,xj)对应的Gram矩阵半正定。 核函数是内积的形式,所以其值大于等于0。
得到核函数
K
(
x
i
,
x
j
)
K(x_i,x_j)
K(xi,xj)之后构成一个希尔伯特空间(Hilbert Space)。 步骤为: 1.定义映射φ ,并构成向量空间S; 映射关系:
ϕ
:
x
→
K
(
⋅
,
x
)
\phi: x \rightarrow K(\cdot, x)
ϕ:x→K(⋅,x) 定义线性组合:
f
(
⋅
)
=
∑
i
=
1
m
α
i
K
(
⋅
,
x
i
)
f(\cdot)=\sum_{i=1}^{m} \alpha_{i} K\left(\cdot, x_{i}\right)
f(⋅)=∑i=1mαiK(⋅,xi) 此时就构成了一个向量空间S。 2.在S上定义内积构成内积空间; 定义一个运算*,
f
∗
g
=
∑
i
=
1
m
∑
j
=
1
l
α
i
β
j
K
(
x
i
,
z
j
)
f * g = \sum_{i=1}^{m} \sum_{j=1}^{l} \alpha_{i} \beta_{j} K\left(x_{i}, z_{j}\right)
f∗g=∑i=1m∑j=1lαiβjK(xi,zj),再证明*是空间S的内积。 3.最后将S完备化构成希尔伯特空间.
3 引入和函数后的非线性支持向量机
输入:训练集
T
=
{
(
x
1
,
y
1
)
,
(
x
2
,
y
2
)
,
⋯
,
(
x
N
,
y
N
)
}
,
y
i
∈
−
1
,
+
1
,
i
=
1
,
2
,
.
.
.
,
N
T=\left\{\left(x_{1}, y_{1}\right),\left(x_{2}, y_{2}\right), \cdots,\left(x_{N}, y_{N}\right)\right\},y_i \in{-1,+1},i=1,2,...,N
T={(x1,y1),(x2,y2),⋯,(xN,yN)},yi∈−1,+1,i=1,2,...,N 构造最优化问题:
min
α
1
2
∑
i
=
1
N
∑
j
=
1
N
α
i
α
j
y
i
y
j
K
(
x
i
,
x
j
)
−
∑
i
=
1
N
α
i
\min _{\alpha} \frac{1}{2} \sum_{i=1}^{N} \sum_{j=1}^{N} \alpha_{i} \alpha_{j} y_{i} y_{j} K\left(x_{i}, x_{j}\right)-\sum_{i=1}^{N} \alpha_{i}
minα21∑i=1N∑j=1NαiαjyiyjK(xi,xj)−∑i=1Nαi
s
.
t
.
∑
i
=
1
N
α
i
y
i
=
0
,
0
⩽
α
i
⩽
C
,
i
=
1
,
2
,
⋯
,
N
s.t. \quad \sum_{i=1}^{N} \alpha_{i} y_{i}=0 ,\qquad 0 \leqslant \alpha_{i} \leqslant C, \quad i=1,2, \cdots, N
s.t.∑i=1Nαiyi=0,0⩽αi⩽C,i=1,2,⋯,N 得到最优解
α
∗
\alpha^*
α∗. 计算
b
∗
=
y
j
−
∑
i
=
1
N
α
i
∗
y
i
K
(
x
i
⋅
x
j
)
b^*=y_{j}-\sum_{i=1}^{N} \alpha_{i}^{*} y_{i} K\left(x_{i} \cdot x_{j}\right)
b∗=yj−∑i=1Nαi∗yiK(xi⋅xj) 构造决策函数:
f
(
x
)
=
sign
(
∑
i
=
1
N
α
i
∗
y
i
K
(
x
⋅
x
i
)
+
b
∗
)
f(x)=\operatorname{sign}\left(\sum_{i=1}^{N} \alpha_{i}^{*} y_{i} K\left(x \cdot x_{i}\right)+b^{*}\right)
f(x)=sign(i=1∑Nαi∗yiK(x⋅xi)+b∗)