支持向量机中的函数距离和几何距离

支持向量机中的函数距离和几何距离

作者：Jason Gu
链接：https://www.zhihu.com/question/20466147/answer/28469993
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

SVM是通过超平面将样本分为两类。
在超平面 $wcdot x+b=0$ 确定的情况下， $|wcdot x+b|$ 可以相对地表示点 $x$ 距离超平面的远近。对于两类分类问题，如果 $wcdot x+b>0$ ，则 $x$ 的类别被判定为1；否则判定为-1。

所以如果 $y(wcdot x+b)>0$ ，则认为 $x$ 的分类结果是正确的，否则是错误的。且 $y(wcdot x+b)$ 的值越大，分类结果的确信度越大。反之亦然。

所以样本点 $(x_{i}, y_{i})$ 与超平面 $(w, b)$ 之间的函数间隔定义为
$gamma_{i} = y_{i} (wcdot x_{i} + b)$

但是该定义存在问题：即 $w$ 和 $b$ 同时缩小或放大M倍后，超平面并没有变化，但是函数间隔却变化了。所以，需要将 $w$ 的大小固定，如 $||w||=1$ ，使得函数间隔固定。这时的间隔也就是几何间隔。

几何间隔的定义如下
$gamma_{i} = y_{i} (frac{w}{||w||}cdot x_{i} + frac{b}{||w||})$

实际上，几何间隔就是点到超平面的距离。想像下中学学习的点 $(x_i, y_i)$ 到直线 $ax+by+c=0$ 的距离公式
$d(x_i, y_i) = frac{|ax_i+by_i+c|}{sqrt{a^2+b^2}}$
所以在二维空间中，几何间隔就是点到直线的距离。在三维及以上空间中，就是点到超平面的距离。而函数距离，就是上述距离公式中的分子，即未归一化的距离。

定义训练集到超平面的最小几何间隔是
$gamma = min_{i=1,...,n} gamma_{i}$

SVM训练分类器的方法是寻找到超平面，使正负样本在超平面的两侧，且样本到超平面的几何间隔最大。
所以SVM可以表述为求解下列优化问题
$underset{w, b}{max} ;;;;;; gamma$
$s.t. ;;; y_{i} (frac{w}{||w||}cdot x_{i} + frac{b}{||w||})geq gamma$

以上内容在《统计学习方法》中，均有详细的讲解。
相关阅读:
《你的知识需要管理》——田志刚
 《谁动了我的奶酪》——[美]斯宾塞·约翰逊
 《程序员面试宝典(第三版)》——欧立奇 / 刘洋 / 段韬
 《天才在左疯子在右》——高铭
 LintCode: Combination Sum
LintCode: Flatten Binary Tree to Linked List
LintCode: First Position of Target
LintCode: Delete Node in the Middle of Singly Linked List
LintCode: Maximum Depth of Binary Tree
pytorch visdom可视化工具学习—3-命令行操作使用经验
原文地址：https://www.cnblogs.com/imageSet/p/7588641.html