转载请注明出处：http://blog.csdn.net/luoshixian099/article/details/51121767
CSDN?勿在浮沙筑高台
对于SVM解分类二分类问题，及多分类问题，在上一篇文章已经详述http://blog.csdn.net/luoshixian099/article/details/51073885。本文将对SVM解回归问题，进行分析。
1.方法分析
在样本数据集(xn,tn)中，tn不是简单的离散值，而是连续值。如在线性回归中，预测房价的问题。与线性回归类似，目标函数是正则平方误差函数：
在SVM回归算法中，目的是训练出超平面y=wTx+b，采用yn=wTxn+b作为预测值。为了获得稀疏解，即计算超平面参数w,b不依靠所用样本数据，而是部分数据（如在SVM分类算法中，支持向量的定义），采用??insensitive 误差函数–Vapnik,1995。
??insensitive 误差函数定义为，如果预测值yn与真实值tn的差值小于阈值?将不对此样本点做惩罚，若超出阈值，惩罚量为|yn?tn|??。
下图为??insensitive 误差函数与平方误差函数的图形
2.目标函数
观察上述的E? 误差函数的形式,可以看到，实际形成了一个类似管道的样子，在管道中样本点，不做惩罚，所以被称为??tube，如下图阴影红色部分
采用E?替代平方误差项，因此可以定义最小化误差函数作为优化目标：
由于上述目标函数含有绝对值项不可微。我们可以转化成一个约束优化问题，常用的方法是为每一个样本数据定义两个松弛变量ξn≥0,ξn^≥0，表示度量tn与??tube的距离。
如上图所示：
当样本点真实值tn位于管道上方时，ξn>0,写成表达式：tn>y(xn)+?时，ξn>0，ξ^n=0；
当样本点真实值tn位于管道下方时，ξn^>0,写成表达式：tn<y(xn)??时，ξn^>0，ξn=0；
因此使得每个样本点位于管道内部的条件为：
当tn位于管道上方时，ξn>0，有tn?y(xn)?ξn≤?
当tn位于管道下方时，ξn^>0，有y(xn)?tn?ξ^n≤?
误差函数可以写为一个凸二次优化问题：
约束条件：
ξn≥0
ξn^≥0
tn?y(xn)?ξn≤?
y(xn)?tn?ξ^n≤?
写成拉格朗日函数：
3.对偶问题
上述问题为极小极大问题：minw,b,ξn,ξn^ maxμn,μn^,αn,αn^L与SVM分类分析方法一样，改写成对偶问题maxμn,μn^,αn,αn^ minw,b,ξn,ξn^L；首先分别对w,b,ξn,ξn^求偏导数
带回到拉格朗日函数中，化简得到只关于αn,αn^的函数，目标即最大化此函数。
约束条件为：
0≤αn≤C
0≤αn^≤C,其中k(xn,xm)=(xn)Txm为向量内积。
下面考虑KKT条件：
由式7.65,7.66知：
当αn≠0时，必有?+ξn+y(xn)?tn=0,这些点位于管道上方边界出，或者管道上面。
当α^n≠0时，必有?+ξn?y(xn)+tn=0,这些点位于管道下方边界出，或者管道下面。
同时，由式7.65,7.66知，对于任意一个数据点，由于?>0，则αn，α^n不可能同时不为0，而且得到在管道内部的点，必然有αn=0，α^n=0。
4.超平面计算：
把w表达式带入到y=wTx+b得：
由上述的分析，影响超平面参数的点为位于管道边界处，或者管道外面。
关于b的计算，可以考虑在管道上方边界处一个点必然有：
ξn=0
?+ξn+y(xn)?tn=0
联立解出：
参考：PRML