这一节主要介绍如何将Kernel Trick引入到Logistic Regression，以及LR与SVM的结合
SVM 与 正则化首先回顾Soft-Margin SVM的原始问题:
\[\begin{align}\min\limits_{b,\mathbf{w}, \xi} \quad &\frac{1}{2} \mathbf{w}^T\mathbf{w} + C \cdot \sum\limits_{n=1}^{N}\xi_n \\ s.t. \quad & y_n(\mathbf{w}^T\mathbf{z}^n+b) \geq 1-\xi_n, for \ all\ n \end{align}\]
其中\(\xi_n\)是训练数据违反边界的多少，没有违反的话，\(\xi_n =0\)，反之\(\xi_n > 0\)，换句话说，目标函数的第二项就可以表示模型的损失。现在换一种方式来写，将二者结合起来: \(\xi_n = \max(1- y_n(\mathbf{w}^T\mathbf{z}^n+b),0)\)，这一个等式就代表了上面的约束条件，这样上述问题，就与下面的无约束问题等价:
\[\begin{align} & \min\limits_{b,\mathbf w}\left({1\over 2}\mathbf w^T\mathbf w + C\sum_{n=1}^N\max\left(1-y_n\left(\mathbf w^T\mathbf z_n + b\right), 0\right)\right) \\ \Leftrightarrow &\min\limits_{b,w}\left({1\over 2}\mathbf w^T\mathbf w + C \cdot \sum \widehat{err} \right) \end{align}\]
这种形式与之前的\(L_2\) 正则项很类似:
\[\min\limits_{b,\mathbf w}\left({\lambda\over N}\mathbf w^T\mathbf w + {1\over N}\sum\mbox{err}\right)\]
在\(L_2\)中，通过最小化\(E_{in}\)的同时控制\(\mathbf{w}\)的大小，防止模型过度复杂。从正则化的角度来看的话，Soft-Margin 的SVM其实就属于一种正则化模型，如下的对比:
其中SVM中的\(C\)与\(L_2\)中的\(\lambda\)对应，\(C\)越大，表示注重\(E_{in}\)，那么\(\lambda\)就越小，正则化的效果相对就弱。
不过从正则化角度考虑Soft-Margin SVM的话，因为错误函数\(\widehat{err}\)不是可微分的，因此不容易求解，因此我们采用的是二次规划来求解的。
SVM With Soft Binary Classification上面我们定义了\(\widehat{err}\)作为SVM的一种特殊的误差函数，也被叫做hinge error mesure，下面对比一下几种常见二分类的损失函数: PLA, Logistic Regression, Soft-Margin SVM，令\(s=\mathbf W^T \mathbf z_n + b\):
\[\begin{align} PLA: \quad & err_{0/1}(s, y) = [[ys \leq 0]] \\ LR: \quad & err_{SCE}(s,y) = \log_{2}(1+\exp(-ys)) \\ SVM: \quad & \widehat{err}_{SVM}(y,s) = \max(1-ys,0)\end{align}\]
然后把三者的图像绘出来，如下:
我们可以看出来SVM与LR的误差函数很类似，都表示0/1误差的上限，我们知道误差函数对于一个模型来说是至关重要的，那么从这个角度看的话，再结合第一部分Soft-Margin SVM与\(L_2\)的正则项的形式很相似，那我们可以在一定程度上认为:Soft margin SVM $ L_2 $ Regulared LR。 不过二者各有优点，比如SVM可以通过Kernel Trick 分类非线性的数据，而LR通过最大似然的方式则可以得到属于某类的概率值。
那我们可以将二者结合起来，也就是说使用SVM来做"软分类"，最终得到某类的概率值，有两种很直接的方式如下:
第一种: 首先使用SVM得到\((b_{SVM}, \mathbf w_{SVM})\)，然后直接使用sigmod函数计算概率，得到模型: $g(x) = (W^T_{SVM} x + b_{SVM}) $第二种: 使用SVM得到\((b_{SVM}, \mathbf w_{SVM})\)，然后作为LR的初始\(\mathbf w_0\),再运行LR得到最终的模型第一种方式最直接，也可以得到概率，但是没有用到LR的优点，比如最大似然。而第二种则更没有用到Kernel Trick，充其量只是加快了LR的收敛速度。那么我们应该如何融合两者的优势呢？下面给出一个可能的模型，如下:
\[g(\mathbf x) = \theta(A \cdot (\mathbf w^T_{SVM}\phi(\mathbf x)+b_{SVM}) + B)\]
首先使用Kernel SVM得到\((\mathbf w_{SVM}, b_{SVM})\), 对数据做变换，如果令\(z_n=\mathbf w^T_{SVM}\phi(\mathbf x)+b_{SVM}\), 那么后面就是一个很简单的LR模型:\(g(x)=\theta(A\cdot z_n + B)\)这样来看，第一个阶段其实就属于一种基于SVM的特征转换，或者说某种映射，将数据映射到了\(z\)-space,，得到新的数据:\(\{ z_n, y_n\}\)。然后在新数据上跑一个LR模型，得到最终的结果，这里需要注意的是，得到的\(z_n\)是一个一维的实数，这样大大减少了LR的计算复杂度。LR的两个参数\(A,B\)的作用则是fine-tune(微调)，平移或者放缩。一般情况下，如果SVM的效果好的话，\(A>0, B \approx 0\)。
这样一来，新的模型就可以结合了SVM与LR二者的优势，这种模型最早是由Platt提出的，因此也叫作Platt's Model of Probabilisitc SVM(概率模型)，具体步骤总结如下:
如果把Kernel体现到模型的话，直接展开即可，最后的模型就是:
\[\theta\left( \sum\limits_{SV}A \alpha_ny_nK(\mathbf x_n, \mathbf x) + Ab_{SVM} +B\right)\]
需要说明的是，这种模型是利用SVM的解，然后将其作为了LR的在Z-Space的近似解，实质上并没有真正的在Z-Space求解LR(A,B只是起到了微调作用)，它的主要贡献是得到了概率SVM模型。
Kernel Logistic Regression(核逻辑回归)这一部分则是介绍如何真正的在Z-Space使用Log-Reg模型，而非使用SVM的近似解，说到空间映射，Kernel Trick(核技巧)不得不提，那我们如何将Kernel运用到LR中呢？核到底是如何起作用的，回想SVM，我们从SVM的标准问题，转到对偶问题，然后因为对偶问题涉及到了Z-Space的内积，计算量很大，由此引出了Kernel Trick，\(\mathbf z_n \mathbf z = K(\mathbf x_n , \mathbf x)\)，进而求出\(\mathbf w_{*} = \sum\beta_n \mathbf z_n\)，实际上，只有将最优解\(\mathbf w\)表示为\(\mathbf z_n\)的线性组合，才能够利用核函数\(K\)，因为模型中需要计算\(\mathbf w_{*}^{T} \mathbf z\):
\[\mathbf w_{*}^{T} \mathbf z = \sum\beta_n\mathbf z_n \mathbf z = \sum \beta_n K(\mathbf x_n, \mathbf x)\]
试想如果最优解\(\mathbf w_{*}\)不是\(\mathbf z\)的线性组合，那模型中的\(\mathbf w_{*}^{T} \mathbf z\)就无法转为核函数的表达式了，那么核就无用武之地了(反过来想想，我们将数据从X-space转换到Z-Space的一个目的就是可以线性可分)。 因此，我们就可以得到一个结论，如果模型最优的\(\mathbf w_{*}\)是Z-Space的线性组合，那么我们就可以把Kernel Trick运用到该模型中。举几个前面的例子:
SVM: \(\mathbf w_{svm} = \sum (\alpha_ny_n)\mathbf z_n\)，其中\(\alpha\)是对偶问题中的拉格朗日乘子PLA: \(\mathbf w_{PLA} = \sum (\alpha_ny_n)\mathbf z_n\)，这里的\(\alpha\)则是在修正\(\mathbf w\)的过程中，\(\mathbf z_n\)这个点被分错误的次数LR: \(\mathbf w_{LR} = \sum (\alpha_ny_n)\mathbf z_n\)，这里的\(\alpha_n\)可以理解为在用梯度下降法更新\(\mathbf w\)的步长...上面的三种模型中的\(\mathbf w\)可以被数据表示，也就是说，我们都可以把Kernel Trick加到模型中(可以用来解决非线性可分)，那到底有什么特征的模型，才满足条件呢？下面给出一个很重要的定理: Representer Theorem：
对于任意的\(L_2\)正则化的线性模型，目标函数如下:
\[\min\limits_{\mathbf w} \quad {\lambda \over N}\mathbf w^T \mathbf w + {1 \over N}\sum\limits_{n=1}^{N}err(y_n, \mathbf w^T \mathbf z_n)\]
均有最优的参数\(\mathbf w_{*} = \sum \beta_n\mathbf z_n\)
简单证明如下:
设最优解\(\mathbf w_{*} = \mathbf w_{||} + \mathbf w_{\perp}\)，其中\(\mathbf w_{||} \in span(\mathbf z_n), \mathbf w_{\perp} \perp span(\mathbf z_n)\)
反证法，假设\(\mathbf w_{\perp} \neq \mathbf 0\),将上述的\(E_{in}\)分为两部分，先看第二部分的err，\(err(y_n, \mathbf w_{*}^T\mathbf z_n) = err(y_n, (\mathbf w_{||}+\mathbf w_{\perp})\mathbf z_{n}) = err(y_n, \mathbf w_{||}\mathbf z_n)\), 这部分与\(\mathbf w_{\perp}\) 无关，看第一部分的正则项: \(\mathbf w_{*}^T \mathbf w_{*} = \mathbf w_{||}^T \mathbf w_{||} + 2\mathbf {w_{||}^T w_{\perp} } + \mathbf{w_{\perp}^T w_{\perp}} > \mathbf w_{||}^T \mathbf w_{||}\) ,矛盾产生，因为\(\mathbf w_{||}\)比\(\mathbf w_{*}\)有更小的误差。从而最优解与\(\mathbf z\)在同一个超平面，定理得证。
而前面介绍的\(L_2\)正则化的Logistic Regression的目标函数:
\[\min_{\mathbf w} \quad {\lambda\over N}\mathbf w^T\mathbf w+{1\over N}\sum_{n=1}^N\log\left(1+\exp\left(-y_n\mathbf w^T\mathbf z_n\right)\right)\]
很显然，LR的最优解: \(\mathbf w_{*} = \sum \beta_n\mathbf z_n = \beta^T\mathbf Z\)，既然这样，那么我们就直接不再求\(\mathbf w\),直接求解\(\beta\)，然后加入Kernel Function，这样目标函数如下:
这是一个无约束的优化问题，可以使用梯度下降等方式来来得到最优解。
到此，我们成功将Kernel 加入到了Logistic Regression，得到的模型一般叫做Kernel Logistics Regression(KLR)，这样就可以很好地解决非线性问题了。
最后说一句KLR其实相当于\(\beta\)的线性模型了，核函数\(K\) 就相当于特征转换，左侧的\(\sum\sum\)写成矩阵形式就是: \(\beta^TK\beta\)相当于正则项。此外，在Kernel SVM中\(\alpha\)很稀疏，有很多项为0，Kernel LR中的\(\beta\)则大部分都不为0。
总结这一讲主要讲了SVM与LR的相互交叉，得到两个新的模型，有概率的SVM以及带核的LR。Kernel Trick并不是SVM专有，在线性模型中，只需要满足表示定理就可以加入核，下一节我们就会在一般的Linear Regression中引入核。一般来说，引入Kernel，效果会好，不过计算量自然也就大了。