机器学习技法3-Kernel Support Vector Machine

注:
文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。
笔记原作者:红色石头
微信公众号:AI有道

上节课主要介绍了SVM的对偶形式,即dual SVM。Dual SVM也是一个二次规划问题,可以用QP来进行求解。之所以要推导SVM的对偶形式是因为:首先,它展示了SVM的几何意义;然后,从计算上,求解过程“好像”与所在维度\(\hat {d}\) 无关,规避了\(\hat {d}\) 很大时难以求解的情况。但是,上节课的最后,我们也提到dual SVM的计算过程其实跟\(\hat {d}\) 还是有关系的。那么,能不能完全摆脱对\(\hat {d}\) 的依赖,从而减少SVM计算量呢?这就是本节课所要讲的主要内容。

1. Kernel Trick

上节课推导的dual SVM是如下形式:

其中\(\alpha\)是拉格朗日因子,共\(N\)个,这是我们要求解的,而条件共有\(N+1\)个。我们来看向量\(Q_D\)中的\(q_{n,m}=y_ny_mz_n^Tz_m\),看似这个计算与\(\hat {d}\)无关,但是\(z_n^Tz_m\)的内积中不得不引入\(\hat {d}\)。也就是说,如果\(\hat{d}\)很大,计算\(z_n^T z_m\)的复杂度也会很高,同样会影响QP问题的计算效率。可以说,\(q_{n,m}=y_n y_m z_n^T z_m\) 这一步是计算的瓶颈所在。

其实问题的关键在于\(z_n^Tz_m\)内积求解上。我们知道,\(z\)是由\(x\)经过特征转换而来:$$z_n^Tz_m=\Phi(x_n) \Phi(x_m)$$ 如果从\(x\)空间来看的话,\(z_n^Tz_m\)分为两个步骤:1. 进行特征转换\(\Phi(x_n)\)\(\Phi(x_m)\);2. 计算\(\Phi(x_n)\)\(\Phi(x_m)\)的内积。这种先转换再计算内积的方式,必然会引入\(\hat {d}\) 参数,从而在\(\hat {d}\)很大的时候影响计算速度。那么,若把这两个步骤联合起来,是否可以有效地减小计算量,提高计算速度呢?

我们先来看一个简单的例子,对于二阶多项式转换,各种排列组合为:

这里提一下,为了简单起见,我们把\(x_0=1\)包含进来,同时将二次项\(x_1x_2\)\(x_2x_1\)也包含进来。转换之后再做内积并进行推导,得到:

其中\(x^Tx’\)\(x\)空间中特征向量的内积。所以,\(\Phi_2(x)\)\(\Phi_2(x’)\)的内积的复杂度由原来的\(O(d^2)\)变成\(O(d)\),只与\(x\)空间的维度\(d\)有关,而与\(z\)空间的维度\(\hat {d}\) 无关,这正是我们想要的!

至此,我们发现如果把特征转换和\(z\)空间计算内积这两个步骤合并起来,有可能会简化计算。因为我们只是推导了二阶多项式会提高运算速度,这个特例并不具有一般推论性。但是,我们还是看到了希望。

我们把合并特征转换和计算内积这两个步骤的操作叫做Kernel Function,用大写字母\(K\)表示。例如刚刚讲的二阶多项式例子,它的kernel function为:$$K_{\Phi}(x,x’)=\Phi(x)^T\Phi(x’)$$ $$K_{\Phi_2}(x,x’)=1+(xTx’)+(xTx’)^2$$ 有了kernel function之后,我们来看看它在SVM里面如何使用。在dual SVM中,二次项系数\(q_{n,m}\)中有\(z\)的内积计算,就可以用kernel function替换:$$q_{n,m}=y_ny_mz_n^Tz_m=y_ny_mK(x_n,x_m)$$ 所以,直接计算出\(K(x_n,x_m)\),再代入上式,就能得到\(q_{n,m}\)的值。

\(q_{n,m}\)值计算之后,就能通过QP得到拉格朗日因子\(\alpha_n\)。然后,下一步就是计算\(b\)(取\(\alpha_n >0\)的点,即SV),\(b\)的表达式中包含\(z\),可以作如下推导:$$b=y_s-wTz_s=y_s-(\sumN_{n=1} \alpha_n y_nz_n)Tz_s=y_s-\sumN_{n=1} \alpha_n y_n(K(x_n,x_s))$$ 这样得到的\(b\)就可以用kernel function表示,而与\(z\)空间无关。

最终我们要求的矩\(g_{SVM}\)可以作如下推导:$$g_{SVM}(x)=sign(w^T\Phi(x)+b) =sign((\sum^N_{n=1} \alpha_n y_nz_n)Tz+b)=sign(\sumN_{n=1} \alpha_n y_n(K(x_n,x_s))+b) $$ 至此,dual SVM中我们所有需要求解的参数都已经得到了,而且整个计算过程中都没有在\(z\)空间作内积,即与\(z\)无关。我们把这个过程称为kernel trick,也就是把特征转换和计算内积两个步骤结合起来,用kernel function来避免计算过程中受\(\hat {d}\)的影响,从而提高运算速度。

总结一下,引入kernel funtion后,SVM算法变成:

分析每个步骤的时间复杂度为:

我们把这种引入kernel function的SVM称为kernel SVM,它是基于dual SVM推导而来的。kernel SVM同样只用SV(\(\alpha_n>0\))就能得到最佳分类面,而且整个计算过程中摆脱了\(\hat {d}\)的影响,大大提高了计算速度。

2. Polynomial Kernel

我们刚刚通过一个特殊的二次多项式导出了相对应的kernel,其实二次多项式的kernel形式是多种的。例如,相应系数的放缩构成完全平方公式等。下面列举了几种常用的二次多项式kernel形式:

比较一下,第一种\(\Phi_2(x)\)(蓝色标记)和 第三种\(\Phi_2(x)\)(绿色标记)从某种角度来说是一样的,因为都是二次转换,对应到同一个\(z\)空间。但是,它们系数不同,内积就会有差异,那么就代表有不同的距离,最终可能会得到不同的SVM margin。所以,系数不同,可能会得到不同的SVM分界线。通常情况下,第三种\(\Phi_2(x)\)(绿色标记)简单一些,更加常用。

不同的转换,对应到不同的几何距离,得到不同的距离,这是什么意思呢?举个例子,对于我们之前介绍的一般的二次多项式kernel,它的SVM margin和对应的SV如下图(中)所示。对于上面介绍的完全平方公式形式,自由度\(\gamma=0.001\),它的SVM margin和对应的SV如下图(左)所示。比较发现,这种SVM margin比较简单一些。对于自由度\(\gamma=1000\),它的SVM margin和对应的SV如下图(右)所示。与前两种比较,margin和SV都有所不同。

通过改变不同的系数,得到不同的SVM margin和SV,如何选择正确的kernel,非常重要。

归纳一下,引入\(\zeta\geq 0\)\(\gamma>0\),对于Q次多项式一般的kernel形式可表示为:

所以,使用高阶的多项式kernel有两个优点:

  • 得到最大SVM margin,SV数量不会太多,分类面不会太复杂,防止过拟合,减少复杂度
  • 计算过程避免了对\(\hat{d}\)的依赖,大大简化了计算量。

顺便提一下,当多项式阶数\(Q=1\)时,那么对应的kernel就是线性的,即本系列课程第一节课所介绍的内容。对于linear kernel,计算方法是简单的,而且也是我们解决SVM问题的首选。还记得机器学习基石课程中介绍的奥卡姆剃刀定律(Occam’s Razor)吗?

3. Gaussian Kernel

刚刚我们介绍的\(Q\)阶多项式kernel的阶数是有限的,即特征转换的\(\hat{d}\) 是有限的。但是,如果是无限多维的转换\(\Phi(x)\),是否还能通过kernel的思想,来简化SVM的计算呢?答案是肯定的。

先举个例子,简单起见,假设原空间是一维的,只有一个特征\(x\),我们构造一个kernel function为高斯函数:$$K(x,x’)=e{-(x-x’)2}$$ 构造的过程正好与二次多项式kernel的相反,利用反推法,先将上式分解并做泰勒展开:

将构造的\(K(x,x’)\)推导展开为两个\(\Phi(x)\)\(\Phi(x’)\)的乘积,其中:$$\Phi(x)=e{-x2}(1,\sqrt{\frac{2}{1!}}x,\sqrt{\frac{22}{2!}}x2 ,\cdots)$$ 通过反推,我们得到了\(\Phi(x)\)\(\Phi(x)\)是无限多维的,它就可以当成特征转换的函数,且\(\hat{d}\)是无限的。这种\(\Phi(x)\)得到的核函数即为Gaussian kernel。

更一般地,对于原空间不止一维的情况(\(d>1\)),引入缩放因子\(\gamma>0\),它对应的Gaussian kernel表达式为:$$K(x,x’)=e^{-\gamma |x-x’|^2}$$ 那么引入了高斯核函数,将有限维度的特征转换拓展到无限的特征转换中。根据本节课上一小节的内容,由\(K\),计算得到\(\alpha_n\)\(b\),进而得到矩\(g_{SVM}\)。将其中的核函数\(K\)用高斯核函数代替,得到:$$g_{SVM}(x)=sign(\sum_{SV} \alpha_n y_nK(x_n,x)+b)= sign(\sum_{SV} \alpha_n y_ne^{-\gamma |x-x’|^2}+b)$$ 通过上式可以看出,\(g_{SVM}\)\(n\)个高斯函数线性组合而成,其中\(n\)是SV的个数。而且,每个高斯函数的中心都是对应的SV。通常我们也把高斯核函数称为径向基函数(Radial Basis Function, RBF)。

总结一下,kernel SVM可以获得large-margin的hyperplanes,并且可以通过高阶的特征转换使\(E_{in}\) 尽可能地小。kernel的引入大大简化了dual SVM的计算量。而且,Gaussian kernel能将特征转换扩展到无限维,并使用有限个SV数量的高斯函数构造出矩\(g_{SVM}\)

值得注意的是,缩放因子\(\gamma\)取值不同,会得到不同的高斯核函数,hyperplanes不同,分类效果也有很大的差异。举个例子,\(\gamma\)分别取\(1, 10, 100\)时对应的分类效果如下:

从图中可以看出,当\(\gamma\)比较小的时候,分类线比较光滑,当\(\gamma\)越来越大的时候,分类线变得越来越复杂和扭曲,直到最后,分类线变成一个个独立的小区域,像小岛一样将每个样本单独包起来了。为什么会出现这种区别呢?这是因为\(\gamma\)越大,其对应的高斯核函数越尖瘦,那么有限个高斯核函数的线性组合就比较离散,分类效果并不好。所以,SVM也会出现过拟合现象,\(\gamma\)的正确选择尤为重要,不能太大。

4. Comparison of Kernels

目前为止,我们已经介绍了几种kernel,下面来对几种kernel进行比较。

首先,Linear Kernel是最简单最基本的核,平面上对应一条直线,三维空间里对应一个平面。Linear Kernel可以使用上一节课介绍的Dual SVM中的QP直接计算得到。

Linear Kernel的优点是计算简单、快速,可以直接使用QP快速得到参数值,而且从视觉上分类效果非常直观,便于理解;缺点是如果数据不是线性可分的情况,Linear Kernel就不能使用了。

然后,Polynomial Kernel的hyperplanes是由多项式曲线构成。

Polynomial Kernel的优点是阶数\(Q\)可以灵活设置,相比linear kernel限制更少,更贴近实际样本分布;缺点是当\(Q\)很大时,\(K\)的数值范围波动很大,而且参数个数较多,难以选择合适的值。

对于Gaussian Kernel,表示为高斯函数形式。

Gaussian Kernel的优点是边界更加复杂多样,能最准确地区分数据样本,数值计算\(K\)值波动较小,而且只有一个参数,容易选择;缺点是由于特征转换到无限维度中,\(w\)没有求解出来,计算速度要低于linear kernel,而且可能会发生过拟合。

除了这三种kernel之外,我们还可以使用其它形式的kernel。首先,我们考虑kernel是什么?实际上kernel代表的是两笔资料\(x\)\(x’\),特征变换后的相似性即内积。但是不能说任何计算相似性的函数都可以是kernel。有效的kernel还需满足几个条件:

  • \(K\)是对称的
  • \(K\)是半正定的

这两个条件不仅是必要条件,同时也是充分条件。所以,只要我们构造的K同时满足这两个条件,那它就是一个有效的kernel。这被称为Mercer 定理。事实上,构造一个有效的kernel是比较困难的。

总结

本节课主要介绍了Kernel Support Vector Machine。首先,我们将特征转换和计算内积的操作合并到一起,消除了\(\hat{d}\)的影响,提高了计算速度。然后,分别推导了Polynomial Kernel和Gaussian Kernel,并列举了各自的优缺点并做了比较。对于不同的问题,应该选择合适的核函数进行求解,以达到最佳的分类效果。

posted @ 2019-06-10 11:20  Shinesu  阅读(329)  评论(0编辑  收藏  举报