[机器学习入门] 李宏毅机器学习笔记-27（Structured SVM part 2；结构化支持向量机 part 2）
| VIDEO |
|---|
Structure SVM
接上篇
Regularization
番外篇：
当我坐在杭州梦想小镇的咖啡厅学习到此处时，一位中年大叔说很喜欢我的形象希望给我拍照，我一愣心想这大叔真是有眼光啊，咱这形象终于得到了艺术圈的认可，没想到大叔满面春光地翻出一个巨大的相机包，摆满了各种镜头，看这架势仿佛自己要登上男人装封面了。大叔笑眯眯地对我说，你继续工作就好。OK，it's fine，我的machine learning正在呼唤我,坐怀不乱学习正是我们老柳家的传统。平静，平静，再平静…不好意思我没平静地下来，大叔的快门四面八方地咔嚓，咔嚓就咔嚓吧，奇怪咱这颜值难道不是随便角度都能成大片吗？可是大叔一边拍一边皱眉头叹气…wtf，就不能赞美我一下下吗，还嫌我黑用手机闪光灯给我补光，二十多分钟后终于结束了，总之还是挺nice的哈哈哈。好吧，你若问我为什么要说这么多废话，因为我实在不知道拍照敲键盘时该写点啥，不如做个即时的心情记录吧哈哈。
收住，回归正题。
Structured SVM
好了，那么接着来看究竟SVM是怎么体现的。对已知的cost function做两个变换，蓝绿两个框虽然是不一样的，但我们有要minimize C的条件，所以Cn正好等于minimize的值就好，就可以认为两式一样。
所以下图蓝绿两框的find任务是等价的，习惯上会把Cn换成篮筐Slack variable表示。
所以黄框就是我们求解的问题，接着利用 y = y^ 时的特殊情况，对for all y 做一下变换。
对于上面这个变换还有一个更直观的理解，如果两个答案的差越大，margin越大，反之越小，即为△,所有不等的情况都能写一个不等式。
寻找一个w满足所有不等式，很可能是一个空集，所以我们要把margin变小限制放宽，而且放宽的应该是恰到好处的，方法就是减去一个 ε （大于等于0）。
但是并不能无限放宽限制，那样margin都成负的了，秉持恰到好处的原则，ε要越小越好。在满足下面不等式的情况下， 希望ε的sum是最小的。这样得到了原式子，Solve it by the solver in SVM package。
Cutting Plane Algorithm for Structured SVM
上述问题有一个很大的困扰，constraints太多了，几千万几亿怎么办？先看一下我们究竟要解决一个怎样的问题，在三维坐标系中，constraints给划定了很多区域，规定了只有固定区域才是可行的，这就给寻找最小值增大了难度。
于是，Cutting Plane Algorithm能帮我们解决这个问题，颜色的深浅代表值的大小，如果成功构建，就很容易找到那个最小值。
constraints的特点是，冗员很多，真正起作用的不多，如果我们有办法找到working set，该问题就是可解的，只要考虑working set中的y就可以了，然后即得到一个w，用这个w找一些新的成员加入working set，然后再循环解决。
怎样用这个w找一些新的成员加入working set？
找出最不满足的constraints。
通过它们的交点，不断找出最小值，和最不满足的constraints，循环。
怎样找出最不满足的constraint呢？
好了，让我们看看整体运作起来是什么样子的。
QP：Quadratic Programming
Example：
加入一组working set
现在就有了一个具有两个constraints的QP问题，解出后更新w。
本节未完待续
