PRML读书会第七章 Sparse Kernel Machines（支持向量机， support vector machine ，KKT条件，RVM）

主讲人 网神

（新浪微博: @豆角茄子麻酱凉面）

网神(66707180) 18:59:22 
大家好，今天一起交流下PRML第7章。第六章核函数里提到，有一类机器学习算法，不是对参数做点估计或求其分布，而是保留训练样本，在预测阶段，计算待预测样本跟训练样本的相似性来做预测，例如KNN方法。
将线性模型转换成对偶形式，就可以利用核函数来计算相似性，同时避免了直接做高维度的向量内积运算。本章是稀疏向量机，同样基于核函数，用训练样本直接对新样本做预测，而且只使用了少量训练样本，所以具有稀疏性，叫sparse kernel machine。
本章包括SVM和RVM(revelance vector machine)两部分，首先讲SVM，支持向量机。首先看SVM用于二元分类，并先假设两类数据是线性可分的。
二元分类线性模型可以用这个式子表示：。其中是基函数，这些都跟第三章和第四章是一样的。
两类数据线性可分，当时,分类结果是;时,分类结果;也就是对所有训练样本总是有.要做的就是确定决策边界y(x)=0
为了确定决策边界，SVM引入margin的概念。margin定义为决策边界y(x)到最近的样本的垂直距离。如下图所示：

SVM的目标是寻找一个margin最大的决策边界。 我们来看如何确定目标函数：
首先给出一个样本点x到决策边界的垂直距离公式是什么，先给出答案：|y(x)|/||w||
这个距离怎么来的，在第四章有具体介绍。看下图:

图例，我们看点x到y=0的距离r是多少：

上面我们得到了任意样本点x到y(x)=0的距离，要做的是最大化这个距离。
同时，要满足条件
所以目标函数是:

求w和b，使所有样本中，与y=0距离最小的距离 最大化，整个式子就是最小距离最大化

这个函数优化很复杂，需要做一个转换

可以看到，对w和b进行缩放，距离并不会变化
根据这个属性，调整w和b,使到决策面最近的点满足：
从而左右样本点都满足
这样，前面的目标函数可以变为：
同时满足约束条件：
这是一个不等式约束的二次规划问题，用拉格朗日乘子法来求解
构造如下的拉格朗日函数：
是拉格朗日乘子 ，这个函数分别对w和b求导，令导数等于0，可以得到w和b的表达式：

将w带入前面的拉格朗如函数L(w,b,a)，就可以消去w和b，变成a的函数，这个函数是拉格朗日函数的对偶函数：

为什么要转换成对偶函数，主要是变形后可以借助核函数，来解决线性不可分的问题，尤其是基函数的维度特别高的情况。求解这个对偶函数，得到参数，就确定了分类模型
把带入，就是用核函数表示的分类模型：

这就是最终的分类模型，完全由训练样本 ，n=1...N决定。
SVM具有稀疏性，这里面对大部分训练样本，都等于0，从而大部分样本在新样本预测时都不起作用。
我们来看看为什么大部分训练样本，都等于0。这主要是由KKT条件决定的。我们从直观上看下KKT条件是怎么回事：

KKT是对拉格朗日乘子法的扩展，将其从约束为等式的情况扩展为约束为不等式的情况。所以先看下约束为等式的情况：例如求函数的极大值，同时满足约束 ，拉格朗日乘子法前面已经介绍，引入拉式乘子，构造拉式函数，然后求导，解除的值就是极值。这里从直观上看一下，为什么这个值就是满足条件的极值。设想取不同的z值，使，就可以得到f(x1,x2)的不同等高线，如图:

构成图中的曲线，图中标记的g=c，对于这种情况，改成g-c=0就可以了.假设g与f的某些等高线相交，交点就是同时满足约束条件和目标函数的值，但不一定是极大值。。有两种相交形式，一种是穿过，一种是相切。因为穿过意味着在该条等高线内部还存在着其他等高线与g相交，新等高线与目标函数的交点的值更大。只有相切时，才可能取得最大值。因此，在极大值处，f的梯度与g的梯度是平行的，因为梯度都垂直于g或f曲线，也就是存在lamda，使得，这个式子正是拉格朗日函数对x求导的结果。
接下来看看约束条件为不等式的情况，例如约束为，先看个图：

图里的约束是g<0，不影响解释KKT条件。不等式约束分两种情况，假设极值点是x` ，当时，也就是图中左边那部分，此时该约束条件是inactive的，对于极值点的确定不起作用。因此拉格朗日函数中，lamda等于0，极值完全由f一个人确定，相当于lamda等于0.当时，也就是图中右边部分，极值出现在g的边界处,这跟约束条件为等式时是一样的。
总之，对于约束条件为不等式的拉格朗日乘子法，总有 ，不是lamda等于0，就是g=0
这个结论叫KKT条件，总结起来就是:

再返回来看SVM的目标函数构造的拉格朗日函数：
 
根据KKT条件，有 ，所以对于大于1的那些样本点，其对应的都等于0。只有等于1的那些样本点对保留下来，这些点就是支持向量。
这部分大家有什么意见和问题吗？

============================讨论=================================

Fire(564122106) 20:01:56 
他为什么要符合KKT条件啊

网神(66707180) 20:02:33 
因为只有符合KKT条件，才能有解，否则拉格朗日函数没解，我的理解是这样的
Fire(564122106) 20:03:54 
我上次看到一个版本说只有符合KKT条件    对偶解才和原始解才相同，不知道怎么解释。
kxkr<[e-mail]> 20:04:18 
貌似统计学习方法 附录里面 讲了这个
Wolf      <[e-mail]> 20:04:19 
an为0为什么和kkt条件相关
kxkr<[e-mail]> 20:04:20 
不过忘记了 ，我上次看到一个版本说只有符合KKT条件，对偶解才和原始解相同。
YYKuaiXian(335015891) 20:04:40 
Ng的讲义就是用这种说法
苦瓜炒鸡蛋(852383636) 20:04:47 
因为大部分的样本都不是sv

Wolf      <[e-mail]> 20:05:05 
如果两类正好分布在margin上，那么所有的点都是sv
YYKuaiXian(335015891) 20:05:40 

Wolf      <[e-mail]> 20:05:54 
只有符合kkt条件，primary问题和due问题的解才是一样的，否则胖子里面的瘦子总比瘦子里面的胖子大。
kxkr<[e-mail]> 20:07:03 
这个比喻 好！
高老头(1316103319) 20:07:08 
对偶问题和原问题是什么关系，一个问题怎么找到它的对偶问题？
Wolf      <[e-mail]> 20:07:19 
所以kkt条件和sv为什么大部分为0没有直接关系，sv为0个人觉得是分界面的性质决定的，分界面是一个低维流形。
Fire(564122106) 20:08:38

我也感觉sv是和样本数据性质有关的
Wolf      <[e-mail]> 20:09:26 
比如在二维的时候，分界面是一个线性函数，导致sv比较少，当投影到高维空间，分界面变成了一个超平面，导致sv变多了，另外，很多样本变成sv也是svm慢的一个原因。
网神(66707180) 20:09:37 
sv本质上是svm选择的错误函数决定的，在正确一边分类边界以外的样本点，错误为0，在边界以内或在错误一边，错误大于0.
苦瓜炒鸡蛋(852383636) 20:11:04 
sv确定的超平面 而非是超平面确定的sv
Wolf      <[e-mail]> 20:11:30 
sv确定的超平面 而非是超平面确定的sv，一样的，hinge为什么会导致稀疏？什么样的优化问题才有对偶问题，我也在疑问。对于一些规划问题（线性规划，二次规划）可以将求最大值（最小值）的问题转化为求最小值最大值的问题。

网神(66707180) 20:12:24 
kkt是从一个侧面解释稀疏，从另一个侧面，也就是错误函数是hinge函数，也可以得出稀疏的性质。svm跟逻辑回归做对比， hinge损失导致稀疏，我们先讲下这吧，svm的错误函数可以这么写:

其中

这就是hinge错误函数，图形如图中的蓝色线

而逻辑回归的错误函数是：

 

如图中的红色线，红色线跟蓝色线走势相近 ，区别是hinge函数在,图中z>1时，错误等于0，也就是yt>1的那些点都不产生损失. 这个性质可以带来稀疏的解。

========================讨论结束=================================

我接着讲了，后面还有挺多内容，刚才说的都是两类训练样本可以完全分开的情况，比如下面这个图，采用了高斯核函数的支持向量机，可以很清楚的看到决策边界，支持向量：

但实际中两类数据的分布会有重叠的情况，另外也有噪音的存在，导致两类训练数据如果一定要完全分开，泛化性能会很差。因此svm引入一些机制，允许训练时一些样本被误分类.我们要修改目标函数，允许样本点位于错误的一边，但会增加一个惩罚项，其大小随着数据点到边界的距离而增大这个惩罚项叫松弛变量, slack variables，记为 ，并且大于等于0.其中下标n=1,..,N，也就是每个训练样本对应一个，对于位于正确的margin边界上或以内的数据点，其松弛变量 ，其他样本点
这样，如果样本点位于决策边界y(x)=0上, 
如果被错分，位于错误的一边, ，因此目标函数的限制条件由修改为，目标函数修从最小化改为最小化 ，其中参数C用于控制松弛变量和margin之间的trade-off，因为对于错分的点，有 ，所以是错分样本数的一个上限upper bound ，所以C相当于一个正则稀疏，控制着最小错分数和模型复杂度的trade-off.
SVM在实际使用中，需要调整的参数很少，C是其中之一。
看这个目标函数，可以看到，C越大，松弛变量就越倍惩罚，就会训练出越复杂的模型，来保证尽量少的样本被错分。当C趋于无穷时，每个样本点就会被模型正确分类。
我们现在求解这个新的目标函数，加上约束条件，拉格朗日函数如下：

其中和是拉式乘子，分别对w, b和{}求导，令导数等于0，得到w, b,的表示，带入L(w,b,a)，消去这些变量，得到以拉格朗日乘子为变量的对偶函数：

新的对偶函数跟前面的对偶函数形式相同，只有约束条件有不同。 这就是正则化的SVM。
接下来提一下对偶函数的解法，对偶函数都是二次函数，而且是凸函数，这是svm的优势，具有全局最优解，该二次规划问题的求解难度是参数的数量很大，等于训练样本的数量 。书上回顾了一些方法，介绍不详细，主要思想是chunking，我总结一下，总结的不一定准确:
1.去掉=0对应的核函数矩阵的行和列，将二次优化问题划分成多个小的优化问题；    
2.按固定大小划分成小的优化问题。      
3.SVM中最流行的是SMO, sequentialminimal optimization。每次只考虑两个拉格朗日乘子.

SVM中维度灾难问题：核函数相当于高维(甚至无线维)的特征空间的内积，避免了显示的高维空间运算，貌似是避免了维度过高引起的维度灾难问题。 但实际上并没有避免。书上举了个例子 ，看这个二维多项式核函数：

这个核函数表示一个六维空间的内积。是从输入空间到六维空间的映射.映射后，六个维度每个维度的值是由固定参数的，也就是映射后，六维特征是有固定的形式。因此，原二维数据x都被限制到了六维空间的一个nonlinear manifold中。这个manifold之外就没有数据.
网神(66707180) 20:48:59 
大家有什么问题吗？
高老头(1316103319) 20:49:58 
manifold是什么意思？
网神(66707180) 20:50:26 
我的理解是空间里一个特定的区域，原空间的数据，如果采样不够均匀，映射后的空间，仍然不会均匀，不会被打散到空间的各个角落，而只会聚集在某个区域。

接下来讲下SVM用于回归问题.

在线性回归中，一个正则化错误函数如下：
为了获得稀疏解，将前面的二次错误函数用错误函数代替

这个错误函数在y(x)和t的差小于时等于0.错误函数变为:
 
我们再引入松弛变量，对每个样本，有两个松弛变量，分别对应
如图:

没引入松弛变量前，样本值t预测正确的条件是
引入松弛变量后，变为:
错误函数变为：

加上约束条件，就可以写出拉格朗日函数
下面就跟前面的分类一样了.
关于统计学习理论，书上简单提了一下PAC(probably approximately correct)和VC维，简单总结一下书上的内容：PAC的目的是理解多大的数据集可以给出好的泛化性，以及研究损失的上限。PAC里的一个关键概念是VC维，用于提供一个函数空间复杂度的度量，将PAC理论推广到了无限大的函数空间上。

============================讨论=================================

Fire(564122106) 21:05:56 
有哪位大神想过对svm提速的啊，svm在非线性大数据的情况下，速度还是比较慢的啊
网神(66707180) 21:07:36 
svm分布式训练的方案研究过吗？
Fire(564122106) 21:09:29 
没有，不过将来肯定要研究的！现在只是单机，现在有在单机的情况下，分布式进入内存的方案，有兴趣的可以看下：Selective Block Minimization for Faster Convergence of Limited Memory Large_Scale Linear Models 这个有介绍，我共享下啊。
苦瓜炒鸡蛋(852383636) 21:11:05 
韩家炜的一个学生 提出了一个  仿照层次聚类的思想  改进的svm 速度好像挺快的

Making SVMs Scalable to Large Data Sets using Hierarchical Cluster Indexing    这个就是那篇论文的题目  发在  Data Mining and Knowledge Discovery

Fire(564122106) 21:16:29 
哦 我看下，我现在看的都是*林的
 Fire 分享文件 21:14:33
"Selective Block Minimization for Faster Convergence of Limited Memory Large_Scale Linear Models.pdf" 下载
苦瓜炒鸡蛋(852383636) 21:17:41 
有那个大神 在用svm做聚类，Support Vector Clustering   这篇能做  就是时间复杂度太高了

========================讨论结束=================================

网神(66707180) 8:54:01 
咱们开始讲RVM，前面讲了SVM，SVM有一些缺点，比如输出是decision而不是概率分布，SVM是为二元分类设计的，多类别分类不太实用，虽然有不少策略可以用于多元分类，但也各有问题参数C需要人工选择，通过多次训练来调整，感觉实际应用中这些缺点不算什么大缺点，但是RVM可以避免这些缺点。
RVM是一种贝叶斯方式的稀疏核方法，可以用于回归和分类，除了避免SVM的主要缺点，还可以更稀疏，而泛化能力不会降低 。先看RVM回归，RVM回归的模型跟前面第三章形式相同，属于线性模型，但是参数w的先验分布有所不同。
这个不同导致了稀疏性，等下再看这个不同
线性回归模型如下：
其中，是噪音的精度precision
均值y(x)定义为：
RVM作为一种稀疏核方法，它是如何跟核函数搭上边的，就是基函数采用了核函数的形式
每个核与一个训练样本对应，也就是：

这个形式跟SVM用于回归的模型形式是相同的，看前面的式子(7.64)最后求得的SVM回归模型是：

可以看到，RVM回归和SVM回归模型相同，只是前面的系数从，接下来分析如何确定RVM模型中的参数w，下面的分析过程跟任何基函数都适用，不限于核函数。
确定w的过程可以总结为：先假设w的先验分布，一般是高斯分布；然后给出似然函数，先验跟似然函数相乘的到w的后验分布，最大化后验分布，得到参数w 。
先看w的先验，w的先验是以0为均值，以为精度的高斯分布，但是跟第三章线性回归的区别是，RVM为每个分别引入一个精度，而不是所有用一个的共享的精度
所以w的先验是：

对于线性回归模型，根据这个先验和似然函数可以得到其后验分布：
均值和方差分别是：

这是第三章的结论，推导过程就不说了
其中是NxM的矩阵，，A是对角矩阵
对于RVM，因为基函数是核函数，所以，K是NxN维的核矩阵，其元素是
接下来需要确定超参数和。一个是w先验的精度，一个是线性模型p(t|x,w)的精度
确定的方法叫做evidence approximation方法，又叫type-2 maximum likelihood，这在第三章有详细介绍，这里简单说一下思路：
该方法基于一个假设，即两个参数是的后验分布是sharply peaked的 ，其中心值是 ，根据贝叶斯定理，，先验是relatively flat的，所以只要看，就是使的最大的值。
是对w进行积分的边界分布：

这个分布是两个高斯分布的卷积，其log最大似然函数是:

其中C是NxN矩阵， 
这一步，以及C的值，是第三章的内容，大家看前面吧。
我们可以通过最大化似然函数，求得，书上提到了两种方法，一种是EM，一种是直接求导迭代。前者第九章尼采已经讲了，这里看下后者。
首先我们分别求这个log似然函数对所有参数和求偏导，并令偏导等于0，求得参数的表达式：

其中是w的后验均值m的第i个元素，是度量被样本集合影响的程度
是w的后验方差的对角线上的元素。
求是一个迭代的过程：
先选一个的初值，然后用下面这个公式得到后验的均值和方差：
然后再同这个这个公式重新计算

这样迭代计算，一直到到达一个人为确定的收敛条件，这就是确定的过程。
通过计算，最后的结果中，大部分参数都是非常大甚至无穷大的值，从而根据w后验均值和方差的公式，其均值和方差都等于0，这样的值就是0，其对应的基函数就不起作用了 ，从而达到了稀疏的目的。这就是RVM稀疏的原因。
需要实际推导一下整个过程，才能明白为什么大部分都趋于无穷大。那些不为0的叫做relevance vectors，相当于SVM中的支持向量。需要强调，这种获得稀疏性的机制可以用于任何基函数的线性组合中。这种获得稀疏性的机制似乎非常普遍的。
求得超参数，就可以通过下面式子得到新样本的分布：

下面看一个图示：

可以看到，其相关向量的数量比SVM少了很多，跟SVM相比的缺点是，RVM的优化函数不是凸函数，训练时间比SVM长，书上接下来专门对RVM的稀疏性进行分析，并且介绍了一种更快的求的方法：

我接着讲RVM分类，我们看逻辑回归分类的模型:

是sigmoid函数，我们引入w的先验分布，跟RVM回归相同，每个对应一个不同的精度
这种先验叫做ARD先验，跟RVM回归相比，在求的分布时，不再对w进行积分。
我们看在RVM回归时，是这么求的：

从而得到：
在RVM分类时，因为涉用到sigmod函数,计算积分很难，具体的为什么难，在第四章4.5节有更多的介绍，我们这里用Laplace approximation来求的近似高斯分布，Laplace approximation我叫拉普拉斯近似，后面都写中文了。
先看下拉普拉斯近似的原理，拉普拉斯近似的目的是找到连续变量的分布函数的高斯近似分布，也就是用高斯分布 近似模拟一个不是高斯分布的分布。
假设一个单变量z，其分布是，分母上的Z是归一化系数，目标是找到一个可以近似p(z)的高斯分布q(z)。
第一步是先找到p(z)的mode(众数) ，众数mode是一个统计学的概念，可以代表一组数据，不受极端数据的影响，比如可以选择中位数做一组实数的众数，对于高斯分布，众数就是其峰值。一组数据可能没有众数也可能有几个众数。
拉普拉斯分布第一步要找到p(z)的众数，这是p(z)的一个极大值点，可能是局部的，因为p(z)可能有多个局部极大值。在该点，一阶导数等于0，，后面再说怎么找。找到后，用的泰勒展开来构造一个二次函数：

其中A是f(z)在的二阶导数再取负数。上式中，没有一阶导数部分，因为是局部极大值，一阶导数为0，把上式两边取指数，得到：

把换成归一化系数，得到近似的高斯分布：

拉普拉斯分布得到的近似高斯分布的一个图示：

注意，高斯近似存在的条件是，原分布的二阶导数取负数、也就是高斯近似的精确度A>0，也就是驻点必须是局部极大值，f(x)在改点出的导数为负数。当z是一个M维向量时，近似方法跟单变量的不同只是二阶导数的负数A变成了MxM维的海森矩阵的负数。
多维变量近似后的高斯分布如下：

A是海森矩阵的负数.mode众数一般是通过数值优化算法来寻找的，不讲了。
再回来看用拉普拉斯分布来近似RVM分类中的：
刚才拉普拉斯分布忘了说一个公式，就是求得q(z)后，确定中的分母，也就是归一化系数的公式：

这个一会有用。先看RVM中对w的后验分布的近似，先求后验分布的mode众数，通过最大化log后验分布来求mode.先写出这个log后验分布：

其中
最后求得的高斯近似的均值(也就是原分布的mode)和精度如下：

现在用这个w后验高斯近似来求边界似然
根据前面那个求归一化系数Z的公式Z=
有:

RVM这部分大量基于第二章高斯分布和第三、四两章，公式推导很多，需要前后关联才能看明白。

PRML读书会讲稿PDF版本以及更多资源下载地址：http://vdisk.weibo.com/u/1841149974