【摘要】:首先介绍一个稀疏的LSSVM算法,本章提出的RLSSVM是在此算法基础上改进的。因为LSSVM的原始问题(2-8)利用了二次损失函数,使得LSSVM丧失了稀疏性。因此基于ε-不敏感损失函数的性质,[50]提出了稀疏的ε-LSSVM模型现在给出原始问题(5-9)在R2中的几何解释。,}的基于L2-损失的ε-支持向量回归机[60],只是这里对正类点取yi=+1,对负类点取yi=-1。
其中
为ε-不敏感二次损失函数,如图5.2(a)所示。
图5.2 ε-LSSVM
(Figure 5.2 ε-LSSVM)
现在给出原始问题(5-9)在R2中的几何解释(参看图5.2 (b))。一方面,我们希望正类点(用“+”表示)尽可能居于超平面(w·Φ(x))+b=1+ε和(w·Φ(x))+b=1-ε之间的ε-带内(图中两条细红实线之间的区域),负类点(用“*”表示)尽可能居于超平面(w·Φ(x))+b=-1+ε和(w·Φ(x))+b=-1-ε之间的ε-带内(图中两条细蓝实线之间的区域),这些点的损失为零;那些居于ε-带外(对正类点,即细红实线之外的区域,对负类点,即细蓝实线之外区域)的点的损失,用(|yi((w·Φ(x))+b)-1|-ε)2来度量;另一方面,我们仍然希望最大化两个超平面(w·Φ(x))+b=1和(w·Φ(x))+b=-1之间的间隔。基于以上两点考虑,我们构建了问题(5-9)并求解得到最后的决策超平面(图中粗绿线),可以看出,结构风险最小化原则在此问题上得到了体现。问题(5-9)可进一步写为
可以看出,该问题事实上就是针对训练集T={(x1,y1),…,(xl,yl)}的基于L2-损失的ε-支持向量回归机[60],只是这里对正类点取yi=+1,对负类点取yi=-1。
通过引入拉格朗日函数
其中α,α*为乘子向量,可以得到问题(5-11)的对偶问题
式中,K(x,x′)=(Φ(x)·Φ(x′))为核函数。对该对偶问题,有相应的稀疏性结论[50]:
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。