任何關(guān)于算法、編程、AI行業(yè)知識(shí)或博客內(nèi)容的問題，可以隨時(shí)掃碼關(guān)注公眾號(hào)「圖靈的貓」，加入”學(xué)習(xí)小組“，沙雕博主在線答疑~此外，公眾號(hào)內(nèi)還有更多AI、算法、編程和大數(shù)據(jù)知識(shí)分享，以及免費(fèi)的SSR節(jié)點(diǎn)和學(xué)習(xí)資料。其他平臺(tái)（知乎/B站）也是同名「圖靈的貓」，不要迷路哦~

SVM通常用對(duì)偶問題來求解，這樣的好處有兩個(gè)：1、變量只有N個(gè)（N為訓(xùn)練集中的樣本個(gè)數(shù)），原始問題中的變量數(shù)量與樣本點(diǎn)的特征個(gè)數(shù)相同，當(dāng)樣本特征非常多時(shí)，求解難度較大。2、可以方便地引入核函數(shù)，求解非線性SVM。求解對(duì)偶問題，常用的算法是SMO，徹底地理解這個(gè)算法對(duì)初學(xué)者有一定難度，本文嘗試模擬算法作者發(fā)明該算法的思考過程，讓大家輕輕松松理解SMO算法。文中的“我”擬指發(fā)明算法的大神。

001、初生牛犢不怕虎

最近，不少哥們兒向我反映，SVM對(duì)偶問題的求解算法太低效，訓(xùn)練集很大時(shí)，算法還沒有蝸牛爬得快，很多世界著名的學(xué)者都在研究新的算法呢。聽聞此言，我心頭一喜：“兄弟我揚(yáng)名立萬的機(jī)會(huì)來了！”

我打開書，找出問題，看到是這個(gè)樣子的：

這明顯就是一個(gè)凸二次規(guī)劃問題嘛，還不好解？等等，哥們說現(xiàn)有算法比較慢，所以我絕對(duì)不能按照常規(guī)思路去思考，要另辟蹊徑。

蹊徑啊蹊徑，你在哪里呢？

我冥思苦想好幾天，都沒有什么好辦法，哎！看來揚(yáng)名立萬的事兒要泡湯了。放下書，我決定去湖邊（注：是瓦爾登湖不？）散散心，我已經(jīng)在小黑屋關(guān)得太久了。

010、得來全不費(fèi)工夫

正午時(shí)分，一絲風(fēng)也沒有，湖邊零零散散的小情侶在呢喃私語，只有苦逼的我單身一個(gè)，我坐在湖邊的一塊大石上，平靜的湖面映出我胡子拉碴憔悴的臉，我心里苦笑：“湖想必是可憐我，映出個(gè)對(duì)影陪我?！薄皩?duì)影？？？?。?！”我心頭一道亮光閃過，猶如干裂的土地聽到第一聲驚雷！我突然有了新的思路！

我瘋狂地跑回屋里，身后是一對(duì)對(duì)受驚的小情侶怨恨的眼神。

我開始整理自己的思緒：

這個(gè)問題如果作為單純的凸二次規(guī)劃問題來看，很難有什么新的辦法，畢竟凸二次規(guī)劃已經(jīng)被研究得透透了。但它的特殊之處在于：它是另一個(gè)問題的對(duì)偶問題，還滿足KKT條件，怎么充分利用這個(gè)特殊性呢？

我隨機(jī)找一個(gè)α=（α1，α2，…，αN）。假設(shè)它就是最優(yōu)解，就可以用KKT條件來計(jì)算出原問題的最優(yōu)解（w,b），就是這個(gè)樣子：

進(jìn)而可以得到分離超平面：

CodeCogsEqn.gif

按照SVM的理論，如果這個(gè)g(x)是最優(yōu)的分離超平面，就有：

姑且稱這個(gè)叫g(x)目標(biāo)條件吧。
根據(jù)已有的理論，上面的推導(dǎo)過程是可逆的。也就是說，只要我能找到一個(gè)α，它除了滿足對(duì)偶問題的兩個(gè)初始限制條件：

由它求出的分離超平面g(x)還能滿足g(x)目標(biāo)條件，那么這個(gè)α就是對(duì)偶問題的最優(yōu)解?。?！

至此，我的思路已經(jīng)確定了：首先，初始化一個(gè)α，讓它滿足對(duì)偶問題的兩個(gè)初始限制條件，然后不斷優(yōu)化它，使得由它確定的分離超平面滿足g(x)目標(biāo)條件，在優(yōu)化的過程中始終確保它滿足初始限制條件，這樣就可以找到最優(yōu)解。

我不禁感到洋洋得意了，哥們我沒有按照傳統(tǒng)思路，想著怎么去讓目標(biāo)函數(shù)達(dá)到最小，而是想著怎么讓?duì)翝M足g(x)目標(biāo)條件，牛X！我真他媽牛X！哈哈??！

011、中流擊水停不住

具體怎么優(yōu)化α呢？經(jīng)過思考，我發(fā)現(xiàn)必須遵循如下兩個(gè)基本原則：

• 每次優(yōu)化時(shí)，必須同時(shí)優(yōu)化α的兩個(gè)分量，因?yàn)橹粌?yōu)化一個(gè)分量的話，新的α就不再滿足初始限制條件中的等式條件了。

• 每次優(yōu)化的兩個(gè)分量應(yīng)當(dāng)是違反g(x)目標(biāo)條件比較多的。就是說，本來應(yīng)當(dāng)是大于等于1的，越是小于1違反g(x)目標(biāo)條件就越多，這樣一來，選擇優(yōu)化的兩個(gè)分量時(shí)，就有了基本的標(biāo)準(zhǔn)。

好，我先選擇第一個(gè)分量吧，α的分量中有等于0的，有等于C的，還有大于0小于C的，直覺告訴我，先從大于0小于C的分量中選擇是明智的，如果沒有找到可優(yōu)化的分量時(shí)，再從其他兩類分量中挑選。

現(xiàn)在，我選了一個(gè)分量，就叫它α1吧，這里的1表示它是我選擇的第一個(gè)要優(yōu)化的分量，可不是α的第1個(gè)分量。

為啥我不直接選兩個(gè)分量呢？

我當(dāng)時(shí)是這么想的，選擇的兩個(gè)分量除了要滿足違反g(x)目標(biāo)條件比較多外，還有一個(gè)重要的考量，就是經(jīng)過一次優(yōu)化后，兩個(gè)分量要有盡可能多的改變，這樣才能用盡可能少的迭代優(yōu)化次數(shù)讓它們達(dá)到g(x)目標(biāo)條件，既然α1是按照違反g(x)目標(biāo)條件比較多來挑選的，我希望選擇α2時(shí)，能夠按照優(yōu)化后讓?duì)?、α2有盡可能多的改變來選。

你可能會(huì)想，說的怪好聽的，倒要看你怎么選α2？

經(jīng)過我一番潛心思考，我還真找到一個(gè)選α2的標(biāo)準(zhǔn)！！

我為每一個(gè)分量算出一個(gè)指標(biāo)E，它是這樣的：

我發(fā)現(xiàn)，當(dāng)|E1-E2|越大時(shí)，優(yōu)化后的α1、α2改變?cè)酱蟆Ｋ?，如果E1是正的，那么E2越負(fù)越好，如果E1是負(fù)的，那么E2越正越好。這樣，我就能選到我的α2啦。

啥，你問這是為什么？

這個(gè)回頭再說，現(xiàn)在要開始優(yōu)化我的α1、α2啦。

100、 無限風(fēng)光在險(xiǎn)峰

怎么優(yōu)化α1、α2可以確保優(yōu)化后，它們對(duì)應(yīng)的樣本能夠滿足g(x)目標(biāo)條件或者違反g(x)目標(biāo)條件的程度變輕呢？我這人不貪心，只要優(yōu)化后是在朝著好的方向發(fā)展就可以。

本以為峰回路轉(zhuǎn)，誰知道峰回之后是他媽一座更陡峭的山峰！我心一橫，你就是90度的山峰，哥們我也要登它一登??！

在沉思中，我的眼睛不經(jīng)意地瞟見了對(duì)偶問題：

靈光一閃，計(jì)上心來！

雖然我不知道怎樣優(yōu)化α1、α2，讓它們對(duì)應(yīng)的樣本違反g(x)目標(biāo)條件變輕，但是我可以讓它們優(yōu)化后目標(biāo)函數(shù)的值變小??！使目標(biāo)函數(shù)變小，肯定是朝著正確的方向優(yōu)化！也就肯定是朝著使違反g(x)目標(biāo)條件變輕的方向優(yōu)化，二者是一致的?。?！

我真是太聰明了！

此時(shí)，將α1、α2看做變量，其他分量看做常數(shù)，對(duì)偶問題就是一個(gè)超級(jí)簡(jiǎn)單的二次函數(shù)優(yōu)化問題：

其中：

至此，這個(gè)問題已經(jīng)變得超級(jí)簡(jiǎn)單了！

舉例來說明一下，假設(shè)y1和y2都等于1，那么第一個(gè)限制條件就變成了

13.png

首先，將α1=K-α2代入目標(biāo)函數(shù)，這時(shí)目標(biāo)函數(shù)變成了關(guān)于α2的一元函數(shù)，對(duì)α2求導(dǎo)并令導(dǎo)數(shù)為0可以求出α2_new。

然后，觀察限制條件，第一個(gè)條件α1=K-α2相當(dāng)于
0≦K-α2≦C
進(jìn)而求得：
K-C≦α2≦K，再加上原有的限制
0≦α2≦C，可得
max（K-C，0）≦α2≦min（K，C）

如果α2_new就在這個(gè)限制范圍內(nèi)，OK！求出α1_new，完成一輪迭代。如果α2_new不在這個(gè)限制范圍內(nèi)，進(jìn)行截?cái)?，得到新的?_new_new,據(jù)此求得α1_new_new，此輪迭代照樣結(jié)束??！

至此，我終于找到了一個(gè)新的求解SVM對(duì)偶問題的方法，在SVM這塊土地上，種上了一棵自己的樹！揚(yáng)名立萬也就是水到渠成啦

>>>關(guān)于作者

CSDN 博客專家，2019-CSDN百大博主，計(jì)算機(jī)（機(jī)器學(xué)習(xí)方向）博士在讀，業(yè)余Kaggle選手，有過美團(tuán)、騰訊算法工程師經(jīng)歷，目前就職于Amazon AI lab。喜愛分享和知識(shí)整合。

關(guān)注微信公眾號(hào)，點(diǎn)擊“學(xué)習(xí)資料”菜單即可獲取算法、編程資源以及教學(xué)視頻，還有免費(fèi)SSR節(jié)點(diǎn)相送哦。其他平臺(tái)（微信/知乎/B站），歡迎關(guān)注同名公眾號(hào)「圖靈的貓」~

總結(jié)

以上是生活随笔為你收集整理的SMO算法最通俗易懂的解释的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。