支持向量机(support vector machine)--模型的由来_支持向量机模型来历

1995年，Corinna Cortes（CC老师）靓照

          CC老师首先给出数据集是二分类且线性可分的情况，设是上的数据集，即,其中，是的标签，例：二维空间中数据集可视化的表示（青色表示“-1”类，红色表示+1类）：

         CC老师提出了第一个问题：既然能线性可分，那么就有超平面(向量化表示

)将这数据集分开，使得一侧是“+1”类，另一侧是“-1类”，老师让我和同学A、同学B求出超平面，例：二维空间中数据集线性可分的可视化（黄色直线将数据集分在了两侧）：

我和同学A、同学B分别给出了直线的方程，我求出的直线方程是，即求出的，同学A的给出的直线方程为，(注意在我直线方程两侧除以5就可以)即，同学B求出的直线方程为，（注意在我的直线方程两侧除以2就可以）即，然后我们三个分别把答案交给CC老师，CC老师说你们三个给我的直线方程，虽然写法不一样，但是只代表一条直线。

        CC老师向我们提出了第二个问题，既然这三个方程只代表一条直线，能不能想个办法，把这条直线统一一下，标准一下，CC老师看出了我们三个的迷惑，就给我提示了一下，他说你们可以找到离这条直线最近的点，通过这个点改进你们的直线方程。

补充几何知识：

第一个知识点：已知超平面和数据集，哪个一点离这条超平面最近，答案：哪一个点使得最小，哪一点离这个超平面最近

第二个知识点：已知超平面和点，，那么这个点到这个超平面的距离为：,向量表示法为

 

通过几何知识，我修改我的直线方程，在二维平面里可直观的看到离这黄色直线最近的点，我用黄色圆圈标注出来了，并给出了这个点的坐标

我的直线方程改进过程：，然后把，同除以4.3，那么最后，所以我修改后的直线方程变为了，注意离这条直线最近的点使得，那么对任意的，都有。

同学B改进他的直线方程过程（我偷瞄的）：，把，同除以2.15，那么最后的，直线方程为。

同学A改进他的方程，按照上述步骤，最后和我的是一样。

然后，我们三个把各自的答案给了CC老师，老师看后说，你们的给出的直线方程使得，但是出现了一个负号的差别。你们再想想对于这个问题还有什么条件没用上，我们回答对于的标签，我们没用到。我们知道在超平面一侧的所有点是同号的，即要么都大于零，要么都小于零。

则对于直线当直线方程是时，左下方的点为负数，右上方的点为正数，而左下方的点是属于-1类的，右上方的点是属于+1类的，所以我们可以把去掉绝对值，使得。

而当直线方程是时，左下方为正数，右上方为负数，我们只需把同乘以-1，便得到了。

，直到现在我们三个终于把这条直线的直线方程给统一化了，即，而且这条把数据集分开的直线还满足，老师看到这样的结果还是高兴！然后提出了一个小问题，这些数据集到我们求出的这条直线的最短距离是什么？简单啊，就是，即。老师微微点点头，表示对我们反应速度的认可！

       CC老师又抛给了我们一个问题，还有没有别的超平面可以分开这两个数据集，回答是肯定，会有无数个超平面分开这两个数据集，

按照求统一黄色直线方式，我们又求出了图中绿色和蓝色的直线方程，其中绿色直线方程的的系数为我们用绿色的表示，且满足,且这个数据集到绿色直线的最小距离为,蓝色直线的系数为我们用蓝色的表示，且满足,且这个数据集到这条蓝色直线的最小距离为。老师又抛给我们一个问题，既然有无数条，你们什么时候才能求出这些所有的直线，我们也想对啊，老师又说那你们求出的这些直线有没有共同的性质，我们说有啊，就是。

     老师又着急了，既然有无数条，就是有无数个,且满足的超平面能分开这两个数据集，那么哪一条才是最好的呢。我们思考了五分钟，没找到好的答案，老师又给我提示，你们已经求出了三条直线，那么要你们从三条直线（系数分别为）里选出一条呢，我们选数据集到这三条直线 最小距离（三个最小距离，，） 最大的那一条，作为最好的那一条直线，老师说答对了，那无数条直线也一样，选数据集到直线 最小距离最大的那一个。

       老师说你们能不能用"选数据集到直线 最小距离最大的那一个" 这句话抽象出一个模型或者公式，老师提示说用运筹学分支之一非线性规划的知识，归纳一下这个模型，我们想了一想给出了这个模型公式：

                                                     

                                                     

老师微微点点头，范数的平方好处理一些吧，再改改，我们修改如下：

                                                                 

                                                    

然后，老师说原问题一般用最小值处理，我们又做了一下修改：

                                                                  

                                                                 

最后把原问题乘以0.5，最优化问题的解不变，所以最后模型为：

                                                                

                                                                

老师最后微笑了一下，说下课吧，你们的模型已经解释出来了！我们着急的拉住CC老师说：老师，我们穿越过来不容易，你直接告诉我们，这个模型有无数个，那这个非线性规划怎么解啊？。老师说：所以你们就需要考虑这个问题的对偶问题啊。最后老师说：你们先去找找Harold W. Kuhn和Albert W. Tucker，去学习一下他们的kuhn-Ticker条件（KKT）。              

                                                                     本集结束！

下集预告：又要穿越去找Harold W. Kuhn和Albert W. Tucker，去学习他们的解非线性规划的kuhn-Ticker条件（KKT）。              

对于支持向量机比较好开源库是台湾大学林老师写的libsvm，这个库只有常用的三个核函数，我在源码的基础上，加上了十个核函数。。。

源码地址：libsvm添加十个核函数