支持向量机原始形式实现

时间:2014-05-20 06:54:23

标签: optimization machine-learning svm

我目前正在研究支持向量机(SVM)项目。我正在处理的SVM版本是Linear SVM in Primal Form,我很难理解从哪里开始。

总的来说,我认为我理解这个理论;基本上我需要在一定约束下最小化w的范数。拉格朗日函数将是我的最小化目标函数(应用拉格朗日乘数后)。

我不明白的是,我的教授告诉我,我们将使用Quasi-Newton方法和BFGS更新。我已经尝试了牛顿方法的2D和3D情况,我认为我已经很好地掌握了算法,但我没有看到如何应用Quasi-Newton方法来找到系数α。此外,我到目前为止阅读的许多文献都说应用二次规划来找到系数。

准牛顿的迭代算法如何与找到w ...的系数相关?二次规划与准牛顿有什么关系?有人可以带我了解正在发生的事情吗?

1 个答案:

答案 0 :(得分:1)

你在这里讨论很多事情

  • “alpha coefficient”仅在双重格式中 ,因此您在您的案例中找不到
  • “应用二次规划”,二次规划是问题,而不是解决方案。你不能“应用QP”,你只能解决一个QP,在你的情况下将使用准牛顿法解决
  • “如何(...)与找到w的系数”完全相同,因为这种优化技术与找到任何函数的最佳系数有关。您将最小化w 的函数,因此应用任何优化技术(特别是准网络)将导致解决方案表示为 w 系数