前言
之前我们用 k k -近邻算法()实现了手写数字识别系统,博客链接
从上面的案例中,我们可知使用 kNN k N N 方法的效果不错,但是需要保留所有的训练样本。而对于支持向量机来说,其需要保留的样本少了很多(只需要保留支持向量),但能获得可比的效果。
说明:
这里我们只考虑 SVM S V M 的二分类问题,所以我们只使用了手写数字识别数据集中的1和9数据;
如果为9,则输出-1;为1,则输出+1
此外需要用到上篇博客中的大量代码
手写识别问题
代码:
import random
from numpy import *
# 手写数字识别(SVM)
# 将图像格式转化为向量 32*32 --> 1*1024
def img2vector(filename):
returnVect = zeros((1, 1024)) # 创建1*1024的0填充向量矩阵
fr = open(filename) # 打开文件
for i in range(32): # 读取文件的前32行,前32列
lineStr = fr.readline()
for j in range(32):
returnVect[0, 32 * i + j] = int(lineStr[j])
return returnVect # 返回每个图像的向量
def selectJrand(i, m):
j = i
while (j == i):
j = int(random.uniform(0, m))
return j
def clipAlpha(aj, H, L):
if aj > H:
aj = H
if L > aj:
aj = L
return aj
# 加核函数
def calcEkK(oS, k):
fXk = float(multiply(oS.alphas, oS.labelMat).T * oS.K[:, k] + oS.b)
Ek = fXk - float(oS.labelMat[k])
return Ek
# 内循环中的启发式方法,选择第二个alpha
def selectJK(i, oS, Ei):
maxK = -1
maxDeltaE = 0
Ej = 0
oS.eCache[i] = [1, Ei]
validEcacheList = nonzero(oS.eCache[:, 0].A)[0] # 构建出一个非零表,函数nonzero返回一个列表
# 在所有值上进行循环并选择其中使得该变量最大的那个值
if (len(validEcacheList)) > 1:
for k in validEcacheList:
if k == i:
continue
Ek = calcEkK(oS, k)
deltaE = abs(Ei - Ek)
if (deltaE > maxDeltaE):
maxK = k
maxDeltaE = deltaE
Ej = Ek
return maxK, Ej
else:
j = selectJrand(i, oS.m)
Ej = calcEkK(oS, j)
return j, Ej
# 计算误差值并存入缓存中,在对alpha值进行优化之后会用到这个值
def updateEkK(oS, k):
Ek = calcEkK(oS, k)
oS.eCache[k] = [1, Ek]
# 核转换函数
def kernelTrans(X, A, kTup): # 2个数值型变量和一个元祖,kTup是一个包含核函数信息的元祖,该元祖的第一个参数描述的是所用核函数的类型的一个字符串
m, n = shape(X)
K = mat(zeros((m, 1)))
if kTup[0] == 'lin': # 线性核函数,内积计算在“所有数据集”和“数据集中的一行”这两个输入之间展开
K = X * A.T
elif kTup[0] == 'rbf': # 径向核函数,在for循环中对矩阵的每个元素计算高斯函数值
for j in range(m):
deltaRow = X[j, :] - A
K[j] = deltaRow * deltaRow.T
K = exp(K / (-1 * kTup[1] ** 2))
else:
raise NameError('Houston We have a Problem -- That Kernel is not recognized') # 遇到无法识别的核函数抛出异常
return K
# 此版本相比于之前的,只是引入了新变量kTup,这是个包含核函数信息的元祖
# 构建一个数据结构来容纳所有数据,然后对控制函数退出的一些变量进行初始化
class optStruct:
def __init__(self, dataMatIn, classLabels, C, toler, kTup):
self.X = dataMatIn
self.labelMat = classLabels
self.C = C
self.tol = toler
self.m = shape(dataMatIn)[0]
self.alphas = mat(zeros((self.m, 1)))
self.b = 0
self.eCache = mat(zeros((self.m, 2)))
self.K = mat(zeros((self.m, self.m)))
for i in range(self.m):
self.K[:, i] = kernelTrans(self.X, self.X[i, :], kTup)
# 加入核函数
def innerLK(i, oS):
Ei = calcEkK(oS, i) # 计算E值
if ((oS.labelMat[i] * Ei < -oS.tol) and (oS.alphas[i] < oS.C)) or \
((oS.labelMat[i] * Ei > oS.tol) and (oS.alphas[i] > 0)):
j, Ej = selectJK(i, oS, Ei) # 第二个alpha选择中的启发式方法
alphaIold = oS.alphas[i].copy()
alphaJold = oS.alphas[j].copy()
if (oS.labelMat[i] != oS.labelMat[j]):
L = max(0, oS.alphas[j] - oS.alphas[i])
H = min(oS.C, oS.C + oS.alphas[j] - oS.alphas[i])
else:
L = max(0, oS.alphas[j] + oS.alphas[i] - oS.C)
H = min(oS.C, oS.alphas[j] + oS.alphas[i])
if L == H:
print("L==H")
return 0
eta = 2.0 * oS.K[i, j] - oS.K[i, i] - oS.K[j, j]
if eta >= 0:
print("eta>=0")
return 0
oS.alphas[j] -= oS.labelMat[j] * (Ei - Ej) / eta
oS.alphas[j] = clipAlpha(oS.alphas[j], H, L)
updateEkK(oS, j) # 计算误差值,并存入缓存
if (abs(oS.alphas[j] - alphaJold) < 0.00001):
print("j not moving enough")
return 0
oS.alphas[i] += oS.labelMat[j] * oS.labelMat[i] * (alphaJold - oS.alphas[j])
updateEkK(oS, i)
b1 = oS.b - Ei - oS.labelMat[i] * (oS.alphas[i] - alphaIold) * oS.K[i, i] - oS.labelMat[j] * \
(oS.alphas[j] - alphaJold) * oS.K[i, j]
b2 = oS.b - Ej - oS.labelMat[i] * (oS.alphas[i] - alphaIold) * oS.K[i, j] - oS.labelMat[j] * \
(oS.alphas[j] - alphaJold) * oS.K[j, j]
if (0 < oS.alphas[i]) and (oS.C > oS.alphas[i]):
oS.b = b1
elif (0 < oS.alphas[j]) and (oS.C > oS.alphas[j]):
oS.b = b2
else:
oS.b = (b1 + b2) / 2.0
return 1
else:
return 0
# 加入核函数
# 数据集、类别标签、常数C、容错率、退出前最大的循环次数以及核函数
def smoPK(dataMatIn, classLabels, C, toler, maxIter, kTup=('lin', 0)):
oS = optStruct(mat(dataMatIn), mat(classLabels).transpose(), C, toler, kTup) # 调用初始化函数
# 初始化一些控制变量
iter = 0
entireSet = True
alphaPairsChanged = 0
# 代码主体
# 退出循环的条件:
# 1、迭代次数超过指定的最大值;
# 2、历整个集合都没有对任意alpha值进行修改(即:alphaPairsChanged=0)
while (iter < maxIter) and ((alphaPairsChanged > 0) or (entireSet)):
alphaPairsChanged = 0
if entireSet: # 遍历所有的值
for i in range(oS.m):
alphaPairsChanged += innerLK(i, oS) # 调用innerLK()函数
print("fullSet, iter: %d i:%d, pairs changed %d" % (iter, i, alphaPairsChanged))
iter += 1
else: # 遍历非边界值(非边界值指的是那些不等于边界0或C的alpha值)
nonBoundIs = nonzero((oS.alphas.A > 0) * (oS.alphas.A < C))[0]
for i in nonBoundIs:
alphaPairsChanged += innerLK(i, oS) # 调用innerLK()函数
print("non-bound, iter: %d i:%d, pairs changed %d" % (iter, i, alphaPairsChanged))
iter += 1
if entireSet:
entireSet = False
elif (alphaPairsChanged == 0):
entireSet = True
print("iteration number: %d" % iter)
return oS.b, oS.alphas
# 基于SVM的手写识别
# 这里我们只讨论SVM的二分类问题,所以数据集只包含1和9
def loadImages(dirName):
from os import listdir
hwLabels = []
trainingFileList = listdir(dirName) # 加载训练数据集
m = len(trainingFileList)
trainingMat = zeros((m, 1024))
for i in range(m):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
if classNumStr == 9: # 如果为9,输出-1
hwLabels.append(-1)
else: # 如果不为9,输出1
hwLabels.append(1)
trainingMat[i, :] = img2vector('%s/%s' % (dirName, fileNameStr)) # 调用img2vector()函数
return trainingMat, hwLabels
def testDigits(kTup=('rbf', 10)):
dataArr, labelArr = loadImages('trainingDigits') # 加载训练数据集
b, alphas = smoPK(dataArr, labelArr, 200, 0.0001, 10000, kTup) # 调用smoPK()函数
datMat = mat(dataArr) # 将数据集用mat函数转换为矩阵
labelMat = mat(labelArr).transpose() # 转置类别标签(使得类别标签向量的每行元素都和数据矩阵中的每一行一一对应)
# 计算支持向量个数
svInd = nonzero(alphas.A > 0)[0]
sVs = datMat[svInd] # 构建支持向量矩阵
labelSV = labelMat[svInd]
print("there are %d Support Vectors" % shape(sVs)[0])
m, n = shape(datMat) # 通过矩阵的shape属性得到常数m,n
errorCount = 0
for i in range(m):
kernelEval = kernelTrans(sVs, datMat[i, :], kTup) # 调用kernelTrans()函数
predict = kernelEval.T * multiply(labelSV, alphas[svInd]) + b # 与其前面的alpha及类别标签值求积
if sign(predict) != sign(labelArr[i]): # 如果不等,错误个数加1
errorCount += 1
print("the training error rate is: %f" % (float(errorCount) / m)) # 训练集上的错误率并打印
# 与上面训练集一样
dataArr, labelArr = loadImages('testDigits') # 加载测试数据集
errorCount = 0
datMat = mat(dataArr)
labelMat = mat(labelArr).transpose()
m, n = shape(datMat)
for i in range(m):# 与前面一个for循环相比,只是数据集不同,使用的是测试数据集
kernelEval = kernelTrans(sVs, datMat[i, :], kTup)
predict = kernelEval.T * multiply(labelSV, alphas[svInd]) + b
if sign(predict) != sign(labelArr[i]):
errorCount += 1
print("the test error rate is: %f" % (float(errorCount) / m))
# 测试(通过不同参数,得到不同的识别性能)
testDigits(('rbf', 10))
运行结果:
我们可以尝试不同参数下的手写数字识别性能,如下表:
内核,设置 | 训练错误率(%) | 测试错误率(%) | 支持向量数 |
---|---|---|---|
rbf, 0.1 | 0 | 52 | 402 |
rbf, 5 | 0 | 32 | 402 |
rbf, 10 | 0 | 0.5 | 132 |
rbf,20 | 0 | 1.6 | 50 |
rbf, 50 | 7.4 | 4.8 | 45 |
rbf, 100 | 0.4 | 1.0 | 34 |
lin, 10 | 2.0 | 3.8 | 36 |
由图可以看出:
参数在10左右时,可以得到最小的测试错误率;
最小的训练错误率并不对应着最小的支持向量数目;
线性核函数的效果并不是很糟,可以牺牲线性核函数的错误率来换取分类速度的提高
本篇所涉及的数据在上篇博客的百度云链接中的svmMLiA4.py,博客地址