Support Vector Machines
Perceptron and Linear Separability
假設存在一個 linear decision boundary，它可以完美地對 training dataset 進行分割。 那麼，經由上述 Perceptron Algorithm 計算，它將返回哪一條 linear separator？
當 linear separator（即一個給定的超平面）的 margin \(\gamma\) 越大，則該模型的歸納與概括的效能越強。從幾何的角度（二維）的角度來理解非常直觀，我們需要這麼一條 linear separator，即，它既能對 training dataset 進行完美的分割，同時，我們希望距它最近的資料點距它的距離最大化（如上圖中間的那根直線）。否則，如果存在一個資料點距該 linear separator 的距離不是那麼遠，從直覺來說，圍繞在該資料點附近且與它 label 相同的一個新資料點隨意體現出的一個隨機波動，將使得這個新資料點越過 linear separator，導致分類錯誤。
因此，現在的問題是，如何將 margin 納入考量以求得這條最佳的 linear boundary？支援向量機將很好地解決這個問題。
Motivation（Why SVM？）
以下是 SVM 體現出的眼見的優勢：
-
SVM 返回一個 linear classifier，並且由於其演算法使 margin solution 最大化，故這個 linear classifier 是一個穩定的解。
-
對 SVM 稍加改變，則能提供一種解決當資料集 non-separable 情況的方法。
-
SVM 同樣給出了進行非線性分類的隱性方法（implicit method，即上述的 kernel transformation）。
SVM Formula
假設存在一些 margin \(\gamma \in \Gamma\) 使得 training dataset \(\mathcal{S} = \mathcal{X} \times \mathcal{Y}\) 線性可分（但注意 linear separator 不一定穿過空間的原點）。
那麼，decision boundary：
Linear classifier：
思路
我們先分別求兩個平行的超平面，使得它們對所有的 training data point 進行正確的分類，再使這兩個超平面之間的距離最大化。
這也是所謂 “支援向量機（Support Vector Machine）” 名稱的由來，我們最終選定的支援向量 \(\vec{w}\) 就像千斤頂一樣將上述兩個平行的超平面 “支撐” 開來，並且支撐開的距離也將是儘可能的最大，如下圖所示。
Derivation
如上圖，兩個超平面的 decision boundary 可以寫作：
則兩個超平面之間的距離為：
-
對於初學者的直觀理解，推導可以透過二維平面上點到直線的距離進行類比，已知點 \((x_{0}, y_{0})\) 到直線 \(Ax + By + C = 0\) 的計算公式為：
\[\frac{|Ax_{0} + By_{0} + C|}{\sqrt{A^{2} + B^{2}}} \]
因此，設 \(\vec{w} \cdot \vec{x} - b = 1\) 上任意一點的座標為 \(\vec{x_{0}}\)，故滿足：
\[\vec{w} \cdot \vec{x_{0}} - b - 1 = 0 \]
那麼兩平行超平面之間的距離為該點到另一超平面 \(\vec{w} \cdot \vec{x} - b = -1\) 的距離，即：
\[\begin{align*} \frac{|\vec{w} \cdot \vec{x_{0}} - b + 1|}{\sqrt{||\vec{w}||^{2}}} & = \frac{|\big( \vec{w} \cdot \vec{x_{0}} - b - 1 \big) + 2|}{\sqrt{||\vec{w}||^{2}}} \\ & = \frac{2}{||\vec{w}||} \end{align*} \]
因此，對於 \(\forall i \in \mathbb{N}^{+}\)，當：
則 training data 全部被正確地分類。
-
理解
參考上圖，此處 \(\vec{w} \cdot \vec{x_{i}} - b \geq 1\) 和 \(\vec{w} \cdot \vec{x_{i}} - b \leq -1\) 的幾何意義是，將對於 label 為 \(1\) 和 \(-1\) 的 data point 分別排除在超平面 \(\vec{w} \cdot \vec{x} - b = 1\) 和 \(\vec{w} \cdot \vec{x} - b = -1\) 的兩邊外側，從而留下兩個超平面之間的空檔。
我們合併上面兩式為一個式子，則 training data 全部被正確地分類等價於：
現在我們得到了兩個超平面的距離表示式 \(\frac{2}{||\vec{w}||}\)，同時需要滿足 constraints \(y_{i} \big( \vec{w} \cdot \vec{x_{i}} - b \big) \geq 1\) for \(\forall i \in \mathbb{N}^{+}\)，我們希望在約束條件下使 \(\frac{2}{||\vec{w}||}\) 最大，那麼 SVM 轉變為運籌問題的求解，i.e.，
SVM Standard (Primal) Form
注意到，\(||\vec{w}|| \geq 0\) 恆成立，且若 \(||\vec{w}|| = 0\) 時，支援向量（即權重向量）\(\vec{w}\) 為零向量，使得 linear separator 無意義。故最大化 \(\frac{2}{||\vec{w}||}\) 等價於 最小化 \(\frac{1}{2} ||\vec{w}||\)。類似於線性迴歸中使用 Mean Square Error 而非 Mean Absolute Error 作為 loss function 的原因，\(||\vec{w}||\) 在原點處不可微，因此我們選擇 minimize \(\frac{1}{2} ||\vec{w}||^{2}\)，而非原形式 \(\frac{1}{2}||\vec{w}||\)，這當然是等價的。
故 SVM Standard (Primal) Form 如下：
SVM When Training Dataset is Non-separable
當 training dataset 無法被全部正確地分類時（即，不存在一個 margin \(\gamma \in \Gamma\) 使得 training dataset \(\mathcal{S} = \mathcal{X} \times \mathcal{Y}\) 線性可分），可以引入 slack variables 求解問題。
SVM Standard (Primal) Form with Slack
SVM Standard (Primal) Form with Slack 如下所示：
問題：如何求解最優的 \(\vec{w}, ~ b, ~ \vec{\xi}\) ？
由於涉及邊界問題，我們不能在目標函式中直接對 \(\vec{w}, ~ b, ~ \vec{\xi}\) 求偏導。我們有以下兩種解決辦法：
-
Projection Methods
從一個滿足 constraints 的解 \(\vec{x_{0}}\) 開始，求能使得 objective function 略微減小的 \(\vec{x_{1}}\)。如果所求到的 \(\vec{x_{1}}\) 違反了 constraints，那麼 project back to the constraints 進行迭代。這種方法偏向於利用演算法求解，從原理上類似於梯度下降演算法以及前文介紹的 Perceptron Algorithm。
-
Penalty Methods
使用懲罰函式將 constraints 併入 objective function，對於違反 constraints 的解 \(\vec{x}\) 予以懲罰。
The Lagrange (Penalty) Method：拉格朗日（懲罰）方法
考慮增廣函式：
其中，\(L(\vec{x}, \vec{\lambda})\) 為拉格朗日函式，\(\lambda_{i}\) 為拉格朗日變數（或對偶變數，dual variables）。
對於此類函式，我們所需要的目標的 canonical form 為：
由於 \(g_{i}(\vec{x}) \leq 0\) for \(\forall i \in \mathbb{N}^{+}\)，則對於任意的 feasible \(\vec{x}\) 以及任意的 \(\vec{\lambda_{i}} \geq 0\)，都有：
因此：
注意到上式中的 \(\max\limits_{\lambda_{i} \geq 0} L(\vec{x}, \vec{\lambda})\)，這代表我們在 \(\vec{\lambda}\) 所在的空間 \([0, ~ \infty)^{n}\) 中搜尋使拉格朗日函式最大的 \(\vec{\lambda}\)，即搜尋各個對應的 \(\lambda_{i} \in [0, ~ \infty)\)。
尤其注意上式 是針對 feasible \(\vec{x}\) 成立。因為 \(\max\limits_{\lambda_{i} \geq 0} L(\vec{x}, \vec{\lambda})\) 會導致：
-
當 \(\vec{x}\) infeasible 時，意味著 \(\vec{x}\) 不全滿足所有約束條件 \(g_{i}(\vec{x}) \leq 0\) for \(\forall i \in \mathbb{N}^{+}\)，這意味著：
\[\exists i: ~ g_{i}(\vec{x}) > 0 \]
那麼：
\[\begin{align*} \max\limits_{\lambda_{i} \geq 0} L(\vec{x}, \vec{\lambda}) & = \max\limits_{\lambda_{i} \geq 0} \Big( f(\vec{x}) + \sum\limits_{i=1}^{n} \lambda_{i} g_{i}(\vec{x}) \Big) \\ & = f(\vec{x}) + \max\limits_{\lambda_{i} \geq 0} \sum\limits_{i=1}^{n} \lambda_{i} g_{i}(\vec{x}) \\ & = \infty \end{align*} \]
這是因為： 只要對應的 \(\lambda_{i} \rightarrow \infty\)，則 \(\lambda_{i} g_{i}(\vec{x}) \rightarrow \infty\)（因為 \(g_{i}(\vec{x}) > 0\)），從而 \(\sum\limits_{i=1}^{n} \lambda_{i} g_{i}(\vec{x}) \rightarrow \infty\)，故 \(L(\vec{x}, \vec{\lambda}) = f(\vec{x}) + \sum\limits_{i=1}^{n} \lambda_{i} g_{i}(\vec{x}) \rightarrow \infty\)。
所以此時不滿足 \(\max\limits_{\lambda_{i} \geq 0} L(\vec{x}, \vec{\lambda}) \leq f(\vec{x})\)。
-
當 \(\vec{x}\) feasible 時，即對於 \(\forall i \in \mathbb{N}^{+}\)，約束條件 \(g_{i}(\vec{x}) \leq 0\) 都成立，那麼：
\[\forall i \in \mathbb{N}^{+}: ~ g_{i}(\vec{x}) \quad \implies \quad\sum\limits_{i=1}^{n} \lambda_{i} g_{i}(\vec{x}) \leq 0 \]
因此 \(\max\limits_{\lambda_{i} \geq 0} \sum\limits_{i=1}^{n} \lambda_{i} g_{i}(\vec{x}) = 0\)，即令所有 \(\lambda_{i}\) 都為 \(0\)，故：
\[\begin{align*} \max\limits_{\lambda_{i} \geq 0} L(\vec{x}, \vec{\lambda}) & = \max\limits_{\lambda_{i} \geq 0} \Big( f(\vec{x}) + \sum\limits_{i=1}^{n} \lambda_{i} g_{i}(\vec{x}) \Big) \\ & = f(\vec{x}) + \max\limits_{\lambda_{i} \geq 0} \Big( \sum\limits_{i=1}^{n} \lambda_{i} g_{i}(\vec{x}) \Big) \\ & = f(\vec{x}) \end{align*} \]
根據上述結論，給定任意 feasible \(\vec{x}\) 以及任意 \(\lambda_{i} \geq 0\)，有：
且：
因此，原先的 constrained optimization problem 的 optimal solution 為：
-
如何理解 \(\min\limits_{\vec{x}} \max\limits_{\lambda_{i} \geq 0} L(\vec{x}, \vec{\lambda})\)？
\(L(\vec{x}, \vec{\lambda})\) 是向量 \(\vec{x}\) 和 \(\vec{\lambda}\) 的函式，從向量角度可以抽象為一個二元函式。因此，計算邏輯是，對於每一個給定的 \(\vec{x_{0}}\)，可以得到僅關於 \(\vec{\lambda}\) 的函式 \(L(\vec{x_{0}}, \vec{\lambda})\)，然後求出使對應的 \(L(\vec{x_{0}}, \vec{\lambda})\) 最大的各 \(\vec{\lambda_{(\vec{x_{0}})}}^{*}\)（i.e.，各 \(\lambda_{i}^{*}\)）。因此內層 \(\max\limits_{\lambda_{i} \geq 0} L(\vec{x}, \vec{\lambda})\) 返回一個對於任意給定的 \(\vec{x_{0}}\)，使得 \(L(\vec{x_{0}}, \vec{\lambda})\) 最大的 \(\vec{\lambda}\) 的集合。那麼，\(\max\limits_{\lambda_{i} \geq 0} L(\vec{x}, \vec{\lambda})\) 是一個僅關於 \(\vec{x}\) 的函式，再在外層求使得這個函式最小的 \(\vec{x}^{*}\)，即 \(\min\limits_{\vec{x}} \Big( \max\limits_{\lambda_{i} \geq 0} L(\vec{x}, \vec{\lambda}) \Big)\)，其結果可以寫為：
\[\min\limits_{\vec{x}} \max\limits_{\lambda_{i} \geq 0} L(\vec{x}, \vec{\lambda}) = L(\vec{x}^{*}, \vec{\lambda_{(\vec{x}^{*})}}^{*}) \]
-
解釋（為什麼它是 optimal solution？）：
因為，對於任意的 \(\vec{x}\)（無論是否 feasible），\(\max\limits_{\lambda_{i} \geq 0} L(\vec{x}, \vec{\lambda})\) 計算出的結果可能為 \(f(\vec{x})\)（當 \(\vec{x}\) 為 feasible），也可能為 \(\infty\)（當 \(\vec{x}\) 為 infeasible）。但沒關係，在最外層的 \(\min\limits_{\vec{x}}\) 可以對 \(\vec{x}\) 進行篩選，使最終選出的 \(\vec{x}^{*}\) 不可能為 infeasible，否則相當於 \(\min\limits_{\vec{x}}\) 計算出的結果為 \(\infty\)，這是隻要存在 feasible region 就不可能發生的事情。