SVM-SMO算法python实现

支持向量机SMO算法可参照李航《统计学习方法论》一书,博客可参考:

https://blog.csdn.net/willbkimps/article/details/54697698

https://www.cnblogs.com/pinard/p/6111471.html


参考写了一个简易的python代码:

# -*- coding: utf-8 -*-
'''
Created on 2018年4月16日

@author: Jason.F
@summary: SVM -序列最小优化(Sequential Minimal Optimization,SMO),将大优化问题分解为多个小优化问题来求解。
'''
import time
import os
import numpy as np
import random

class SMO:
    
    def __init__(self,C,toler,maxIter):
        self.C=C #常数
        self.toler=toler#容错率
        self.maxIter=maxIter#退出迭代的最大循环次数

    def loadDataSet(self,fileName):
        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]))
        return dataMat,labelMat
    
    def selectJrand(self,i,m):#随机选择
        j=i
        while (j==i):
            j = int(random.uniform(0,m))
        return j
    
    def clipAlpha(self,aj,H,L):#最小不能超过L,最大不能超过H
        if aj>H:
            aj = H
        if L>aj:
            aj=L
        return aj
    
    def smoSimple(self,dataMatIn,classLabels):
        dataMatrix = np.mat(dataMatIn)
        labelMat = np.mat(classLabels).transpose()
        b=0
        m,n=np.shape(dataMatrix)
        alphas = np.mat(np.zeros((m,1)))
        iter=0
        while (iter<self.maxIter):
            alphaPairsChanged=0
            for i in range(m):
                fXi = float(np.multiply(alphas,labelMat).T * (dataMatrix * dataMatrix[i,:].T))+b
                Ei = fXi- float(labelMat[i])#误差
                if ( (labelMat[i]*Ei < -self.toler) and (alphas[i]<self.C)) or ((labelMat[i]*Ei >self.toler) and (alphas[i]>0)):
                    j = self.selectJrand(i,m)
                    fXj = float(np.multiply(alphas,labelMat).T * (dataMatrix * dataMatrix[j,:].T))+b
                    Ej = fXj- float(labelMat[j])#误差
                    alphaIold = alphas[i].copy()
                    alphaJold = alphas[j].copy()
                    if (labelMat[i] != labelMat[j]):
                        L = max(0,alphas[j]-alphas[i])
                        H = min(self.C,self.C+alphas[j]-alphas[i])   
                    else:
                        L = max(0,alphas[j]+alphas[i]-self.C)
                        H = min(self.C,alphas[j]+alphas[i])     
                    if L==H:
                        print 'L==H'
                        continue
                    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
                    alphas[j] = self.clipAlpha(alphas[j], H, L)
                    if (abs(alphas[j]-alphaJold)<0.00001):
                        print 'j not moving enough.'
                        continue
                    alphas[i] += labelMat[j] * labelMat[i] *(alphaJold-alphas[j])
                    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 (self.C > alphas[i]):
                        b =b1
                    elif (0<alphas[j]) and (self.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__":    
    start = time.clock() 
    
    homedir = os.getcwd()#获取当前文件的路径
    smo=SMO(C=0.6,toler=0.001,maxIter=50)#传递方法
    dataArr,labelArr = smo.loadDataSet(homedir+'/testSet.txt')
    b,alphas =smo.smoSimple(dataArr, labelArr)
    print (b)
    print (alphas)
    
    end = time.clock()    
    print('finish all in %s' % str(end - start))
算法的思想以及更多优化待进一步深入研究。
阅读更多
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/fjssharpsword/article/details/79965283
个人分类: Algorithm
想对作者说点什么? 我来说一句

Python实现KNN算法

2018年02月21日 909B 下载

SVM-SMO代码

2014年05月02日 22.83MB 下载

PersonalRank算法的Python实现

2013年08月18日 1KB 下载

Apriori算法Python实现

2016年09月02日 9KB 下载

FP-Growth算法python实现

2017年08月11日 6KB 下载

没有更多推荐了,返回首页

不良信息举报

SVM-SMO算法python实现

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭