SVM算法实现（一）

SVM算法实现（一）

分类：  算法2011-02-01 19:44  8847人阅读  评论(23)  收藏  举报

关键字(keywords)：SVM 支持向量机 SMO算法 实现 机器学习    

 

      如果对SVM原理不是很懂的，可以先看一下入门的视频，对帮助理解很有用的，然后再深入一点可以看看这几篇入门文章，作者写得挺详细，看完以后SVM的基础就了解得差不多了，再然后买本《支持向量机导论》作者是Nello Cristianini 和 John Shawe-Taylor，电子工业出版社的。然后把书本后面的那个SMO算法实现就基本上弄懂了SVM是怎么一回事，最后再编写一个SVM库出来，比如说像libsvm等工具使用，呵呵，差不多就这样。这些是我学习SVM的整个过程，也算是经验吧。

      下面是SVM的简化版SMO算法，我将结合Java代码来解释一下整个SVM的学习训练过程，即所谓的train训练过程。那么什么是SMO算法呢？

 SMO算法的目的无非是找出一个函数f(x)，这个函数能让我们把输入的数据x进行分类。既然是分类肯定需要一个评判的标准，比如分出来有两种情况A和B,那么怎么样才能说x是属于A类的，或不是B类的呢？就是需要有个边界，就好像两个国家一样有边界，如果边界越明显，则就越容易区分，因此，我们的目标是最大化边界的宽度，使得非常容易的区分是A类还是B类。

 在SVM中，要最大化边界则需要最小化这个数值：

 

 

w：是参量，值越大边界越明显 
C代表惩罚系数，即如果某个x是属于某一类，但是它偏离了该类，跑到边界上后者其他类的地方去了，C越大表明越不想放弃这个点，边界就会缩小
代表：松散变量
但问题似乎还不好解，又因为SVM是一个凸二次规划问题，凸二次规划问题有最优解，于是问题转换成下列形式（KKT条件）：

 …………(1)

这里的ai是拉格朗日乘子(问题通过拉格朗日乘法数来求解)
对于（a）的情况，表明ai是正常分类，在边界内部（我们知道正确分类的点yi*f(xi)>=0）
对于（b）的情况，表明了ai是支持向量，在边界上
对于（c）的情况，表明了ai是在两条边界之间
而最优解需要满足KKT条件，即满足（a）（b）（c）条件都满足
以下几种情况出现将会出现不满足：

yiui<=1但是ai<C则是不满足的,而原本ai=C
yiui>=1但是ai>0则是不满足的而原本ai=0
yiui=1但是ai=0或者ai=C则表明不满足的，而原本应该是0<ai<C
所以要找出不满足KKT的这些ai，并更新这些ai，但这些ai又受到另外一个约束，即

 

 

因此，我们通过另一个方法，即同时更新ai和aj，满足以下等式

 

就能保证和为0的约束。

 

利用y_ia_i+y_ja_j=常数，消去a_i，可得到一个关于单变量a_j的一个凸二次规划问题，不考虑其约束0<=a_j<=C,可以得其解为：

 

 ………………………………………(2)

这里………………(3)

表示旧值，然后考虑约束0<=a_j<=C可得到a的解析解为：

…………(4)

对于

那么如何求得a_i和a_j呢？

对于a_i，即第一个乘子，可以通过刚刚说的那几种不满足KKT的条件来找，第二个乘子a_j可以找满足条件 

 

…………………………………………………………………………（5）

b的更新：

在满足条件：下更新b。……………（6）

 

最后更新所有ai，y和b，这样模型就出来了，然后通过函数：

 ……………………………………………………（7）

输入是x，是一个数组，组中每一个值表示一个特征。

输出是A类还是B类。（正类还是负类）

 

以下是主要的代码段：

 

[java]  view plain copy

1. /* 
2.  * 默认输入参数值 
3.  * C: regularization parameter 
4.  * tol: numerical tolerance 
5.  * max passes 
6.  */  
7. double C = 1; //对不在界内的惩罚因子  
8. double tol = 0.01;//容忍极限值  
9. int maxPasses = 5; //表示没有改变拉格朗日乘子的最多迭代次数  
10.   
11. /* 
12.  * 初始化a[], b, passes  
13.  */  
14.   
15. double a[] = new double[x.length];//拉格朗日乘子  
16. this.a = a;  
17.   
18. //将乘子初始化为0  
19. for (int i = 0; i < x.length; i++) {  
20.     a[i] = 0;  
21. }  
22. int passes = 0;  
23.   
24.   
25. while (passes < maxPasses) {  
26.     //表示改变乘子的次数（基本上是成对改变的）  
27.     int num_changed_alphas = 0;  
28.     for (int i = 0; i < x.length; i++) {  
29.         //表示特定阶段由a和b所决定的输出与真实yi的误差  
30.         //参照公式(7)  
31.         double Ei = getE(i);  
32.         /* 
33.          * 把违背KKT条件的ai作为第一个 
34.          * 满足KKT条件的情况是： 
35.          * yi*f(i) >= 1 and alpha == 0 (正确分类) 
36.          * yi*f(i) == 1 and 0<alpha < C (在边界上的支持向量) 
37.          * yi*f(i) <= 1 and alpha == C (在边界之间) 
38.          *  
39.          *  
40.          *  
41.          * ri = y[i] * Ei = y[i] * f(i) - y[i]^2 >= 0 
42.          * 如果ri < 0并且alpha < C 则违反了KKT条件 
43.          * 因为原本ri < 0 应该对应的是alpha = C 
44.          * 同理，ri > 0并且alpha > 0则违反了KKT条件 
45.          * 因为原本ri > 0对应的应该是alpha =0 
46.          */  
47.         if ((y[i] * Ei < -tol && a[i] < C) ||  
48.             (y[i] * Ei > tol && a[i] > 0))   
49.         {  
50.             /* 
51.              * ui*yi=1边界上的点 0 < a[i] < C 
52.              * 找MAX|E1 - E2| 
53.              */  
54.             int j;  
55.             /* 
56.              * boundAlpha表示x点处于边界上所对应的 
57.              * 拉格朗日乘子a的集合 
58.              */  
59.             if (this.boundAlpha.size() > 0) {  
60.                 //参照公式(5)  
61.                 j = findMax(Ei, this.boundAlpha);  
62.             } else   
63.                 //如果边界上没有，就随便选一个j != i的aj  
64.                 j = RandomSelect(i);  
65.               
66.             double Ej = getE(j);  
67.               
68.             //保存当前的ai和aj  
69.             double oldAi = a[i];  
70.             double oldAj = a[j];  
71.               
72.             /* 
73.              * 计算乘子的范围U, V 
74.              * 参考公式(4) 
75.              */  
76.             double L, H;  
77.             if (y[i] != y[j]) {  
78.                 L = Math.max(0, a[j] - a[i]);  
79.                 H = Math.min(C, C - a[i] + a[j]);  
80.             } else {  
81.                 L = Math.max(0, a[i] + a[j] - C);  
82.                 H = Math.min(0, a[i] + a[j]);  
83.             }  
84.               
85.               
86.             /* 
87.              * 如果eta等于0或者大于0 则表明a最优值应该在L或者U上 
88.              */  
89.             double eta = 2 * k(i, j) - k(i, i) - k(j, j);//公式(3)  
90.               
91.             if (eta >= 0)  
92.                 continue;  
93.               
94.             a[j] = a[j] - y[j] * (Ei - Ej)/ eta;//公式(2)  
95.             if (0 < a[j] && a[j] < C)  
96.                 this.boundAlpha.add(j);  
97.               
98.             if (a[j] < L)   
99.                 a[j] = L;  
100.             else if (a[j] > H)   
101.                 a[j] = H;  
102.               
103.             if (Math.abs(a[j] - oldAj) < 1e-5)  
104.                 continue;  
105.             a[i] = a[i] + y[i] * y[j] * (oldAj - a[j]);  
106.             if (0 < a[i] && a[i] < C)  
107.                 this.boundAlpha.add(i);  
108.               
109.             /* 
110.              * 计算b1， b2 
111.              * 参照公式(6) 
112.              */  
113.             double b1 = b - Ei - y[i] * (a[i] - oldAi) * k(i, i) - y[j] * (a[j] - oldAj) * k(i, j);  
114.             double b2 = b - Ej - y[i] * (a[i] - oldAi) * k(i, j) - y[j] * (a[j] - oldAj) * k(j, j);  
115.               
116.             if (0 < a[i] && a[i] < C)  
117.                 b = b1;  
118.             else if (0 < a[j] && a[j] < C)  
119.                 b = b2;  
120.             else   
121.                 b = (b1 + b2) / 2;  
122.               
123.             num_changed_alphas = num_changed_alphas + 1;  
124.         }  
125.     }  
126.     if (num_changed_alphas == 0) {  
127.         passes++;  
128.     } else   
129.         passes = 0;  
130. }  
131.   
132. return new SVMModel(a, y, b);  

运行后的结果还算可以吧，测试数据主要是用了libsvm的heart_scale的数据。

预测的正确率达到73%以上。

如果我把核函数从线性的改为基于RBF将会更好点。

最后，说到SVM算法实现包，应该有很多，包括svm light，libsvm，有matlab本身自带的svm工具包等。

 

 

 

另外，完整的代码，我将上传到CSDN下载地址上提供下载。

点击这里下载。

 

如理解有误敬请指正！谢谢！

我的邮箱：chen-hongqin@163.com

我的其他博客：

百度：http://hi.baidu.com/futrueboy/home

javaeye：http://futrueboy.javaeye.com/

CSDN: http://blog.csdn.net/techq