ضرب داخلی بردار
فرض کنید دو بردار داریم ، $u$ و $v$:
$$ u= \begin{bmatrix} u_1 \newline u_2 \end{bmatrix} \hspace{0.5cm} v= \begin{bmatrix} v_1 \newline v_2 \end{bmatrix} $$
طول بردار $v$ با $||v||$ نمایش داده میشود و خطی را روی نمودار توصیف میکند که از مبدا (0,0) شروع شده و تا $(v_1,v_2)$ ادامه دارد.
طبق قضیه فیثاغورث، طول بردار $v$ را میتوان با فرمول $\sqrt{v_1^2+v_2^2}$ محاسبه کرد.
تصویر بردار $v$ روی بردار $u$ با کشیدن یک زاویه قائم از $u$ به انتهای $v$ و ایجاد یک مثلث قائم الزاویه به دست میآید.
توجه داشته باشید که $u^Tv=||u||.||v||cos\theta$ که $\theta$ زاویه بین $u$ و $v$ است.همچنین، $p=||v||cos\theta$. اگر p را جایگزین $||v||cos\theta$ کنید، عبارت $u^Tv=p.||u||$ بدست میآید.
بنابراین حاصلضرب $u^Tv$ برابر است با طول تصویر، ضرب در طول بردار $u$.
در مثال ما، از آنجایی که $u$ و $v$ بردارهایی با طول برابر هستند، داریم $u^Tv=v^Tu$.
$$ u^Tv=v^Tu=p.||u||=u_1v_1+u_2v_2 $$
اگر زاویه بین خط های $u$ و $v$ بزرگتر از 90 درجه باشد، آن گاه p منفی خواهد بود.
$$ \underset{\Theta}{min}\frac{1}{2}\sum_{j=1}^n\Theta_j^2 $$
$$ =\frac{1}{2}(\Theta_1^2+\Theta_2^2+…+\Theta_n^2) $$
$$ =\frac{1}{2}(\sqrt{\Theta_1^2+\Theta_2^2+…+\Theta_n^2})^2 $$
$$ =\frac{1}{2}||\Theta||^2 $$
میتوانیم همان قوانین را اینجا استفاده کنیم برای بازنویسی $\Theta^Tx^{(i)}$:
$$ \Theta^Tx^{(i)}=p^{(i)}.||\Theta||=\Theta_1x_1^{(i)}+\Theta_2x_2^{(i)}+…+\Theta_nx_n^{(i)} $$
بنابراین حالا ما با قرار دادن $p^{(i)}.||\Theta||$ به جای $\Theta^Tx^{(i)}$، یک بهینه سازی هدفمند جدید داریم:
$$ if \hspace{0.3cm} y=1,\hspace{0.1cm} we\hspace{0.2cm} want \hspace{0.3cm} p^{(i)}.||\Theta|| \ge 1 $$
$$ if \hspace{0.3cm} y=0,\hspace{0.1cm} we\hspace{0.2cm} want \hspace{0.3cm} p^{(i)}.||\Theta||\le -1 $$
دلیلی که این باعث یک حاشیه اطمینان زیاد میشود این است که: بردار متعلق به $\Theta$، عمود بر مرز تصمیم گیری است. برای این که بهینه سازی هدفمند ما (عبارت بالا) درست باشد احتیاج داریم که قدر مطلق تصویرهای ما $p^{(i)}$ تا جای ممکن بزرگ باشد.
اگر $\Theta_0=0$، آن گاه همه مرزهای تصمیم گیری ما در (0,0) با هم تلاقی دارند، اگر $\Theta_0\ne0$، ماشین بردار پشتیبان همچنان یک حاشیه اطمینان زیادی را برای مرز تصمیم گیری پیدا میکند.