实验二：用python实现SVM支持向量机并对鸢尾花数据集分类

实验二：SVM支持向量机

1. 实验内容：

(1)用你熟知的语言(尽量使用python)实现支持向量机的算法，并在给定的数据集上训练。

(2)在测试集上用训练好的支持向量机进行测试，并将预测结果以csv格式保存为一行预测的分类。

(3)简要说明算法原理，记录实验过程的关键步骤，以及实验过程中遇到的问题和解决方法。

2. 实验说明：

数据集为鸢尾花数据集，有三个类别，其中setosa与另外两种之间是线性可分的，因此你需要选择按照setosa和versicolor，或setsosa和virginica，进行训练分类。如果你用的是软间隔可以用两个SVM对全部三类进行测试。

实验过程中可以不可以直接调用第三方库封装好的训练函数，但可以使用基础类和函数，例如numpy的数组以及矩阵内积dot函数等(算法迭代过程必须自己完成)。

算法具体实现方式无要求，函数或是类封装均可，但是要写进实验报告内。不必上交代码，但要有实验过程关键步骤的截图。

可以尝试利用可视化分析实验过程(非必须)。

3. 报告要求：

实验必须独立完成不得抄袭借鉴他人的实验内容。

4. 原理说明：

简要说明感知器算法原理，可以借助伪代码来进行说明。

4.1 文字描述：

支持向量机（SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，即在分类面扩展为一个具有间隔的空间，可以看成是感知机的升级版；另外SVM还包括核方法，从而使它成为非线性分类器。

SVM的学习策略就是间隔最大化，因此相比于感知机，它有唯一的解，可以形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题，整体来看是一个求解凸函数的最优化问题。

4.2 数学抽象：

4.2.1 硬间隔支持向量机

给定线性可分的训练数据集 D = { ( x ( 1 ) , y ( 1 ) ) , ( x ( 2 ) , y ( 2 ) ) , … … , ( x ( N ) , y ( N ) ) } D = \{(\mathbf x^{(1)},y^{(1)}),(\mathbf x^{(2)},y^{(2)}),……,(\mathbf x^{(N)},y^{(N)})\} D={ (x(1),y(1)),(x(2),y(2)),……,(x(N),y(N))} ，其中 $({\mathbf{x}}^{(n)},y^{(n)})$ 为第$n$个样本，${\mathbf{x}}^{(n)}\in {\mathbb{R}}^D$ 为该样本的特征向量。

对于给定的训练数据集$D$和超平面 $(\mathbf{w},b)$，任一样本 ${\mathbf{x}}^{(n)}$ 到超平面 $(\mathbf{w},b)$的距离是
$$r^{(n)}=\frac{|{\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{(\mathbf{n})}+b|}{\Vert \mathbf{w}\Vert }$$
一般来说，一个点距离超平面的远近可以表示分类预测的确信程度。在超平面 ${\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{(\mathbf{n})}+b=0$ 确定的情况下，$|{\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{(\mathbf{n})}+b|$ 能够相对地表示点 ${\mathbf{x}}^{(n)}$ 距离超平面的远近，而 ${\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{(\mathbf{n})}+b$ 的符号与类标记 $y^{(n)}$ 的符号是否一致能够表示分类是否正确。在这个阶段之前，与感知机部分的推导是一致的。为了计算方便，我们将类标记设置为 { − 1 , + 1 } \{-1,+1\} { −1,+1} ，因此，可以使用 $y^{(n)}({\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{(\mathbf{n})}+b)$ 表示分类的正确性及确信程度。当所有样本被正确分类时，$r^{(n)}$ 可以写为
$$r^{(n)}=\frac{|{\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{(\mathbf{n})}+b|}{\Vert \mathbf{w}\Vert }=\frac{y^{(n)}({\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{(\mathbf{n})}+b)}{\Vert \mathbf{w}\Vert }$$
假设超平面能将训练样本正确分类，即对于 $({\mathbf{x}}^{(n)},y^{(n)})\in D$，若 $y^{(n)}=+1$，则有 ${\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{(\mathbf{n})}+b>0$；若 $y^{(n)}=-1$，则有 ${\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{(\mathbf{n})}+b<0$ ，令
$$\begin{gathered} {\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{(\mathbf{n})}+b\ge 0，y^{(n)}=+1; \\ {\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{(\mathbf{n})}+b\le 0，y^{(n)}=-1; \end{gathered}$$
在线性可分的情况下，距离超平面最近的训练样本会使等号成立，被称为支持向量。即
$$y^{(n)}({\mathbf{w}}^{\mathbf{T}}{\mathbf{x}}^{}$$