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$w\cdot x+b=0$（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：

$距离=\frac{\left| w\cdot x_i+b \right|}{\left| \left| w \right| \right|}$

  最优超平面需满足：对于正类样本，有$w\cdot x_i+b\geq1$；对于负类样本，有$w\cdot x_i+b\leq-1$ 。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. $y_i(w\cdot x_i+b)\geq1 \quad (\forall i)$

  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

    $\min_{w,b}{\frac{1}{2}\left| \left| x \right| \right|^{2}}+C\sum_{i}{\xi_i}$   s.t. $y_i(w\cdot x_i+b)\geq 1-\xi_i,\quad \xi_i\geq0$

  $C$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：$K(x_i,x_j)=x_i\cdot x_j$

  多项式核：$K(x_i,x_j)=(x_i\cdot x_j+c)^{d}$

  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： $K(x_i,x_j)=tanh(\alpha x_i\cdot x_j+c)$

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：

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

  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.