支持向量机（SVM）分类

  支持向量机（Support Vector Machine，SVM）是一种经典的监督学习算法，主要用于分类任务，也可扩展到回归问题（称为支持向量回归，SVR）。其核心思想是通过寻找一个最优超平面，最大化不同类别数据之间的间隔（Margin），从而实现高效分类。

一、核心思想

  SVM的目标是找到一个决策边界（超平面），将不同类别的数据分开，并确保该边界到最近数据点（支持向量）的距离最大。这种“最大化间隔”的策略使得模型具有更好的泛化能力。

超平面（Hyperplane）：

  在n维空间中，一个超平面是n-1维的子空间。对于二维数据，超平面是一条直线；三维数据中是一个平面。

支持向量（Support Vectors）：

  距离最优超平面最近的样本点称为支持向量，它们是决定超平面位置的关键样本。其他样本的位置对超平面无影响，这也是“SVM”名称的由来。

间隔（Margin）：

  超平面到两类最近支持向量的距离之和。SVM的目标是最大化间隔。
  设超平面方程为(wcdot x+b=0)（其中(w)是权重向量，(b)是偏置），则单个样本点(x_i)到超平面的距离为：

[距离=frac{left| wcdot x_i+b right|}{left| left| w right| right|} ]

  最优超平面需满足：对于正类样本，有(wcdot x_i+bgeq1)；对于负类样本，有(wcdot x_i+bleq-1) 。此时，间隔为 (frac{2}{left| left| w right| right|})，最大化间隔等价于最小化(left| left| w right| right|^{2})。

二、线性可分情况（硬间隔SVM）

  假设数据线性可分，SVM的优化问题可表示为

    (min_{w,b}{frac{1}{2}left| left| w right| right|^{2}})   s.t. (y_i(wcdot x_i+b)geq1 quad (forall i))

  目标：最小化(left| left| w right| right|)（等价于最大化间隔(frac{2}{left| left| w right| right|})）。
  约束：确保所有样本被正确分类且位于间隔边界之外。

三、非线性可分情况（软间隔SVM）

  当样本无法被线性超平面分隔时，SVM 通过以下方法处理：

1. 引入松弛变量（Slack Variables）

  允许部分样本跨越超平面，但需在优化目标中加入惩罚项（即正则化参数(C)），平衡间隔最大化和分类错误最小化

    (min_{w,b}{frac{1}{2}left| left| x right| right|^{2}}+Csum_{i}{xi_i})   s.t. (y_i(wcdot x_i+b)geq 1-xi_i,quad xi_igeq0)

  (C)的作用：控制分类错误的惩罚力度。(C)越大，模型越严格（可能过拟合）；(C)越小，允许更多错误（可能欠拟合）。

2. 核技巧（Kernel Trick）

  对于非线性可分数据，SVM通过核函数将原始空间映射到高维特征空间，使数据在新空间中线性可分。常见核函数有
  线性核：(K(x_i,x_j)=x_icdot x_j)
  多项式核：(K(x_i,x_j)=(x_icdot x_j+c)^{d})
  高斯径向基核（RBF）：(K(x_i,x_j)=exp(-gamma left| left| x_i-x_j right| right|^{2}))
  Sigmoid核： (K(x_i,x_j)=tanh(alpha x_icdot x_j+c))

四、优化与求解

  SVM通常转化为对偶问题，利用拉格朗日乘子法求解：

    (max_{alpha}{sum_{i}{alpha_i}}-frac{1}{2}sum_{i,j}{alpha_ialpha_jy_iy_jK(x_i,x_j)})  s.t. (0leqalpha_ileq C,sum_{i}{alpha_iy_i=0})

  通过拉格朗日对偶性转化为对偶问题，优势在于：

    a) 将高维空间中的内积运算转化为核函数计算（避免直接处理高维数据）；
    b) 解的形式仅依赖于支持向量，计算效率更高。

五、Python实现示例

from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.metrics import accuracy_score  # 加载鸢尾花数据集 iris = datasets.load_iris() X = iris.data  # 特征 y = iris.target  # 标签  # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(     X, y, test_size=0.3, random_state=42 )  # 创建SVM分类器 clf = SVC(kernel='linear')  # 使用线性核函数  # 训练模型 clf.fit(X_train, y_train)  # 预测 y_pred = clf.predict(X_test)  # 评估模型 accuracy = accuracy_score(y_test, y_pred) print(f"模型准确率: {accuracy:.2f}")  # 预测新样本 new_samples = [[5.1, 3.5, 1.4, 0.2], [6.3, 3.3, 4.7, 1.6]] predictions = clf.predict(new_samples) print(f"新样本预测结果: {[iris.target_names[p] for p in predictions]}")   

End.