Add. Sequetial minimal optimization

机器学习算法原理及推导/李航——统计学习方法/7.支持向量机——升维打击.md

@@ -216,11 +216,9 @@ $$
 
 2.求minL(w,b,α)对α的极大，即是对偶问题
 
-![1620100936402](assets/1620100936402.png)
-
 3.求max转换成min：
 
-![1620101031289](assets/1620101031289.png)
+![1620100936402](assets/1620100936402.png)
 
 接下来就是求解α的问题了，但是我们还得解决另外的一个问题
 
@@ -262,10 +260,105 @@ Maximum soft interval
 
 Kernel function
 
-现在到了这里：
+**现在到了这里：**
 
 ![1620101877936](assets/1620101877936.png)
 
 
 
-![1620101888622](assets/1620101888622.png)
+![1620101888622](assets/1620101888622.png)
+
+**目前的问题：**
+
+式子中间有xi核xj的点积
+
+例如在手写数字数据集中，训练集有6万个样本，6万乘6万勉强能接受
+
+但如果每个样本有784维，6万样本两两做点积，是非常慢的。如果x是更高的维度呢？
+
+**梳理一下：**
+
+1. 由于公式的需要，我们需要计算xi和xj的点积
+2. 此外，我们需要将样本映射到高维去，加入映射函数ø(x)，那么ø(xi)和ø(xj)的维度数目进一步扩大，它们的点积会让运算变得极其复杂
+3. 我们希望存在一个函数K(xi,yi)=ø(xi)×ø(xj)，但函数K的计算方式更简单。也就是说，我们将样本通过函数升维得到ø(xi)和ø(xj)，接下来要计算它们的点积，能不能有个简单的计算公式，计算出来的结果和ø(xi)×ø(xj)一样？那样我们就不用再去算ø(xi)和ø(xj)的结果了，直接用简单方式计算不是更好吗？
+
+这个简便方式，就是核函数
+
+**在SVM中，我们通常使用高斯核:**
+
+![1620102775997](assets/1620102775997.png)
+
+ 在计算x和z的点积时，直接用这个公式替代就好了
+
+
+
+### 序列最小最优化算法（SMO）
+
+Sequetial minimal optimization
+
+之前我们还剩下α求解，我们用SMO
+
+**我们最后求解出来的α，一定是让整个结果满足KKT条件的。如果不满足，那一定不是最优解。**
+
+**所以我们可以不断地调整α的值，直到所有α都满足KKT条件，这是我们一定能得到最优解。**
+
+**怎么调整呢？——用SMO**
+
+假设整个式子中有N个α(α1,α2,α3,...,αN)，先固定其它α，找α1,先让α1满足KKT条件。但如果固定除α1以外的所有α，等于也固定了α1.
+
+![1620103167523](assets/1620103167523.png)
+
+所以我们每次选择优化两个α
+
+![1620103181711](assets/1620103181711.png)
+
+进一步，原式中目前hi有α1和α2两个变量，我们将其它作为常数去除。
+
+![1620100936402](assets/1620100936402.png)
+
+整理如下：
+
+![1620104035262](assets/1620104035262.png)
+
+![1620104045040](assets/1620104045040.png)
+
+目前可知，α1一定在0和C之间
+
+![1620104366359](assets/1620104366359.png)
+
+![1620104377604](assets/1620104377604.png)
+
+![1620104388470](assets/1620104388470.png)
+
+![1620104396366](assets/1620104396366.png)
+
+**最终得到结果：**
+
+![1620104470719](assets/1620104470719.png)
+
+其中，L与H是![1620104485040](assets/1620104485040.png)所在对角线段端点的界，如果y1≠y2（如下左图所示），则
+
+![1620104518723](assets/1620104518723.png)
+
+如果y1=y2（如下右图所示），则
+
+![1620104531858](assets/1620104531858.png)![1620104541380](assets/1620104541380.png)
+
+
+
+现在对于两个α，我们已经知道该怎么优化了。那么怎么从总舵的α中挑选两个合适的来进行优化呢？
+
+——找到**违反KKT最严重**的。
+
+**第一个变量的选择：**
+
+![1620107006621](assets/1620107006621.png)
+
+**第二个变量的选择：**
+
+在第一个变量步子迈大的情况下，再找一个步子迈得最大的α。它的量化方式|E1-E2|
+
+![1620107078112](assets/1620107078112.png)
+
+两个α都找到一个，进行优化，然后找下一对α，直到再也找不到不违反KKT的α为止。
+