这篇博客我们来理解一下SVM。其实,之前好多大牛的博客已经对SVM做了很好的理论描述。例如CSDN上july的那篇三层境界介绍SVM的博文,连接如下:
http://blog.csdn.net/v_july_v/article/details/7624837
那么我这里抛去一些复杂的公式推导,给出一些SVM核心思想,以及用Python实现代码,再加上我自己的理解注释。
1. SVM的核心思想
SVM的分类思想本质上和线性回归LR分类方法类似,就是求出一组权重系数,在线性表示之后可以分类。我们先使用一组trainging set来训练SVM中的权重系数,然后可以对testingset进行分类。
说的更加更大上一些:SVM就是先训练出一个分割超平面separation hyperplane, 然后该平面就是分类的决策边界,分在平面两边的就是两类。显然,经典的SVM算法只适用于两类分类问题,当然,经过改进之后,SVM也可以适用于多类分类问题。
我们希望找到离分隔超平面最近的点,确保它们离分隔面的距离尽可能远。这里点到分隔面的距离被称为间隔margin. 我们希望这个margin尽可能的大。支持向量support vector就是离分隔超平面最近的那些点,我们要最大化支持向量到分隔面的距离。
那么为了达到上面的目的,我们就要解决这样的一个问题:如何计算一个点到分隔面的距离?这里我们可以借鉴几何学中点到直线的距离,需要变动的是我们这里是点到超平面的距离。具体转换过程如下:
除了定义距离之外,我们还需要设定两类数据的类别标记分别为1和-1,这样做是因为我们将标记y和距离相乘,不管属于哪一类,乘积都是一个正数,这样有利于我们设计目标函数。
这样我们便可以定义我们SVM的目标函数:
求解这个问题需要经过一系列的转换。具体如下:
SMO算法的目标是求出一系列alpha和b,一旦求出了这些alpha,就很容易计算出权重向量w,并得到分隔超平面。SMO的工作远离是:每次循环中选择两个alpha进行优化处理,一旦找到一对合适的alpha,那么就增大其中一个,同时减小另一个。选择的alpha要满足在间隔边界之外的条件,而且还没有进行过区间化处理或者不再边界上。
《机器学习实战》中给出了利用Python实现SVM的代码,我加了一些注释便于理解,如下:
<span style="font-size:24px;">from numpy import * import random def loadDataSet(fileName): #构建数据库和标记库 dataMat = []; labelMat = [] fr = open(fileName) for line in fr.readlines(): lineArr = line.strip().split('\t') dataMat.append([float(lineArr[0]), float(lineArr[1])]) labelMat.append(float(lineArr[2])) #只有一列 return dataMat, labelMat def selectJrand(i, m): #生成一个随机数 j=i while(j==i): j=int(random.uniform(0, m)) #生成一个[0, m]的随机数,int转换为整数。注意,需要import random return j def clipAlpha(aj, H, L): #阈值函数 if aj>H: aj=H if aj<L: aj=L return aj def smoSimple(dataMatIn, classLabels, C, toler, maxIter): dataMatrix = mat(dataMatIn); labelMat = mat(classLabels).transpose() b = 0; m,n = shape(dataMatrix) alphas = mat(zeros((m,1))) iter = 0 while(iter<maxIter): #迭代次数 alphaPairsChanged=0 for i in range(m): #在数据集上遍历每一个alpha #print alphas #print labelMat fXi = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[i,:].T)) + b #fXi=float(np.multiply(alphas, labelMat).T*dataMatrix*dataMatrix[i, :].T)+b #.T也是转置 Ei=fXi-float(labelMat[i]) if((labelMat[i]*Ei<-toler) and (alphas[i]<C)) or ((labelMat[i]*Ei>toler) and (alphas[i]>0)): j=selectJrand(i, m) #从m中选择一个随机数,第2个alpha j fXj=float(multiply(alphas, labelMat).T*dataMatrix*dataMatrix[j, :].T)+b Ej=fXj-float(labelMat[j]) alphaIold=alphas[i].copy() #复制下来,便于比较 alphaJold=alphas[j].copy() if(labelMat[i]!=labelMat[j]): #开始计算L和H L=max(0, alphas[j]-alphas[i]) H=min(C, C+alphas[j]-alphas[i]) else: L=max(0, alphas[j]+alphas[i]-C) H=min(C, alphas[j]+alphas[i]) if L==H: print 'L==H' continue #eta是alphas[j]的最优修改量,如果eta为零,退出for当前循环 eta=2.0*dataMatrix[i, :]*dataMatrix[j, :].T-\ dataMatrix[i, :]*dataMatrix[i, :].T-\ dataMatrix[j, :]*dataMatrix[j, :].T if eta>=0: print 'eta>=0' continue alphas[j]-=labelMat[j]*(Ei-Ej)/eta #调整alphas[j] alphas[j]=clipAlpha(alphas[j], H, L) if(abs(alphas[j]-alphaJold)<0.00001): #如果alphas[j]没有调整 print 'j not moving enough' continue alphas[i]+=labelMat[j]*labelMat[i]*(alphaJold-alphas[j]) #调整alphas[i] b1=b-Ei-labelMat[i]*(alphas[i]-alphaIold)*\ dataMatrix[i, :]*dataMatrix[i, :].T-\ labelMat[j]*(alphas[j]-alphaJold)*\ dataMatrix[i, :]*dataMatrix[j, :].T b2=b-Ej-labelMat[i]*(alphas[i]-alphaIold)*\ dataMatrix[i, :]*dataMatrix[j, :].T-\ labelMat[j]*(alphas[j]-alphaJold)*\ dataMatrix[j, :]*dataMatrix[j, :].T if(0<alphas[i]) and (C>alphas[i]): b=b1 elif(0<alphas[j]) and (C>alphas[j]): b=b2 else: b=(b1+b2)/2.0 alphaPairsChanged+=1 print 'iter: %d i: %d, pairs changed %d' %(iter, i, alphaPairsChanged) if(alphaPairsChanged==0): iter+=1 else: iter=0 print 'iteration number: %d' %iter return b, alphas if __name__=="__main__": dataArr, labelArr=loadDataSet('testSet.txt') b, alphas=smoSimple(dataArr, labelArr, 0.6, 0.001, 40) print b, alphas </span>
还有其他语言实现的SVM,可以在下面网站中找到,以及一些注释:
http://www.csie.ntu.edu.tw/~cjlin/libsvm/
http://www.pami.sjtu.edu.cn/people/gpliu/document/libsvm_src.pdf