SVM的损失函数
SVM的原始优化目标和约束条件:
线性支持向量机学习除了原始最优化问题,还有另外⼀种解释,就是最优化以下目标函数:
目标函数的第一项是经验损失或经验风险,函数
称为合页损失函数(hinge loss function)。下标"+"表示以下取正值的函数:
这就是说,当样本点被正确分类且函数间隔(确信度)⼤大于1时,损失是0,否则损失是。目标函数的第二项是系数为λ的w的L2范数,是正则化项。
接下来证明线性支持向量机原始最优化问题:
等价于最优化问题
先令,则ξ_i ≥ 0,第二个约束条件成⽴立;由,当时,有;当时,,有,所以第一个约束条件成立。所以两个约束条件都满足,最优化问题可以写作
若取则:
与原始最优化问题等价。