6-1 Kernel Ridge Regression
前面几篇：
机器学习技法笔记1：线性SVM
机器学习技法笔记2： SVM的对偶形式
机器学习技法笔记3： Kernel SVM
机器学习技法笔记4： Soft Margin SVM
机器学习技法笔记5： kernel逻辑回归
上节课我们主要介绍了Kernel Logistic Regression，讨论如何把SVM的技巧 应用在soft-binary classification上。方法是使用2-level learning，先利用 SVM得到参数b和w，然后再用通用的logistic regression优化算法，通过 迭代优化，对参数b和w进行微调，得到最佳解。然后，也介绍了可以通过 Representetive Theorem，在z空间中，引入SVM的kernel技巧，直接对 logistic regression进行求解。本节课将延伸上节课的内容，讨论如何将SVM 的kernel技巧应用到ridge regression问题上。
若上面式子中的错误函数为平方误差，就可以得到岭回归（也就是带正则项的线性回归）的形式
在机器学习基石课程中给出过岭回归的解析解如下，这里不详细描述:
接下来我们尝试使用kernel技巧来解决岭回归问题
3、
求解βn的问题可以写成如下形式（通过使得梯度等于零来实现）：
这里需要关心的问题是(λI+K)的逆矩阵是否存在？ 答案是肯定的。因为我们之前介绍过，核函数K满足Mercer’s condition， 它是半正定的，因此在λ>0的时候，所以(λI+K)一定是可逆的。
4、
6-2 Support Vector Regression Primal
1、 我们在机器学习基石课程中介绍过linear regression可以用来做 classification，那么上一部分介绍的kernel ridge regression同样可以来做 classification。我们把kernel ridge regression应用在classification上取个 新的名字，叫做least-squares SVM（LSSVM）。
6-3 Support Vector Regression Dual
现在我们已经得到了SVR的primal形式，接下来将推导SVR的Dual形式。
1、 二次规划的对偶问题首先是引入一个拉格朗日乘子，将约束问题转换为无约束 问题。对于该模型的约束条件可以分成两部分，所以对于每个样本点引入两个 因子。 令拉格朗日因子α⋁和α⋀，分别是与ξ⋁n和ξ⋀n不等式相对应。 这里忽略了与ξ⋁n≥0和ξ⋀n≥0对应的拉格朗日因子。
2、 实际上，我们可以通过观察SVM primal与SVM dual的参数对应关系，直接 从SVR primal推导出SVR dual的形式。（而不是进行具体数学推导）
3、 最后，我们就要来讨论一下SVR的解是否真的是sparse的。前面已经推导了 SVR dual形式下推导的解w为：
6-4 Kernel模型的总结
1、 在前面，我们介绍过三种线性模型，分别是PLA/pocket，regularized logistic regression和linear ridge regression。这三种模型都可以使用国立 台湾大学的Chih-Jen Lin博士开发的Liblinear库函数来解决。
另外，我们介绍了linear soft-margin SVM，其中的error function是 err^svm，可以通过标准的QP问题来求解。 linear soft-margin SVM和PLA/pocket一样都是解决同样的问题。
然后，还介绍了linear SVR问题，它与linear ridge regression一样都是解决 同样的问题，从SVM的角度，使用errtube，转换为QP问题进行求解，这也 是我们本节课的主要内容。
总结
6-1将kernel技巧应用到ridge regression问题上，使得ridge regression的形式更加灵活，6-2将6-1中的ridge regression用于分类，发现其支持向量过多的特点，从而修改其错误函数，引入中立区，最终得到了SVR的原始形式，6-3基于此推导出了SVR的对偶形式