机器学习第四篇：SVM，SMO算法的实现

最新推荐文章于 2022-08-04 13:05:52 发布

一个小路人

最新推荐文章于 2022-08-04 13:05:52 发布

阅读量550

点赞数

分类专栏：机器学习文章标签： SVM SMO

本文链接：https://blog.csdn.net/h_q_c_/article/details/89226074

版权

机器学习专栏收录该内容

12 篇文章 0 订阅

订阅专栏

这两天摸索了SVM，刚开始的时候接触SMO的时候就很懵，但是我有机器学习三大法宝护体，最终还是搞懂了一些。

前面的细节部分就不予阐述了，直接从SMO算法部分开始讲起：

下面讨论具体方法：

$\underset{\alpha }{min } \frac{1}{2}\sum\sum\alpha _i\alpha _jy_iy_jK(x_i,x_j) - \sum\alpha _i$ (1)

$s.t. \sum\alpha _iy_i =0$ (2)

$0\leq \alpha _i\leqslant C , i = 1,2,...,N$ (3)

$\omega =\sum\alpha _iy_ix_i$ (4)

$\alpha_1y_1+\alpha_2y_2 = -\sum_{i=3}^{N}y_i\alpha_i = \xi$ (5)

$g(x) = \sum\alpha_iy_iK(x_i,x) +b$ (6)

利用上面这些等式来计算：

首先假设我们的初始可行解为 $\alpha_1 ^{old},\alpha_2^{old}$ ，最优解为 $\alpha_1 ^{new},\alpha_2^{new}$ ，未经处理过的 $\alpha_2$ 的最优解为 $\alpha_2^{new,unc}$ ,根据（5），

$\alpha_1y_1+\alpha_2y_2 = \xi$ ，y只有两种情况1和-1，然后在两种情况下我们来确定 $\alpha_2^{new,unc}$ 的范围： $L\leq \alpha _2^{new,unc}\leqslant H$

然后分情况讨论L,H的取值：

此时 $y_1\neq y_2$ ，则：

$\fn_jvn L=max(0,\alpha_2^{old}-\alpha_1^{old})$ , $H=min(C,C+\alpha_2^{old}-\alpha_1^{old})$

当 y_1= y_2 时：

$L=max(0,\alpha_2^{old}+\alpha_1^{old}-C)$ , $H=min(C,\alpha_2^{old}+\alpha_1^{old})$

具体的详细的过程就不予阐述，可以参考李航的《统计学习方法》：

$\alpha_2^{new,unc} = \alpha_2^{old} + \frac{y_2(E_1 - E_2)}{\eta }$

其中 $\eta = K_{11} +K_{22}-2K_{12} = \left \| \Phi (x_1) - \Phi(x_2) \right \|^2$ ,所以 $\eta \geq 0$

$E_i = g(x_i) - y_i = (\sum \alpha_iy_iK(x_j,x_i)+b)-y_i$

得到的 $\alpha_2^{new,unc}$ ，对其进行处理可以得到：

$\alpha_2^{new}\left\{\begin{matrix} H, \alpha_2^{old,unc}>H\\ \alpha_2^{new,unc},L\leq \alpha_2^{old,unc}\leq H\\ L,\alpha_2^{old,unc}<L \end{matrix}\right.$

得到 $\alpha_2^{new}$ 后，利用下面公式得到 $\alpha_1^{new}$ ：

$\alpha_1^{new} = \alpha_1^{old} +y_1y_2(\alpha_2^{old}-\alpha_2^{new})$

现在我们可以进行对 $\alpha$ 的更新了，那我们如何选择它呢：

第一个变量的选择：在代码当中用外层循环实现，外层循环中选取违反KKT条件最严重的样本点

第二个变量的选择：内层循环，假设已经找到了第一个变量，本意选择是希望能使第二个变量有足够大的变化，但在代码当中一般就选取 $\left | E_1 -E_2 \right |$ 最大的

更新了 $\alpha$ 之后，我们也需要更新我们的b。

$b_1^{new} = -E_1-y_1K_{11}(\alpha_1^{new} - \alpha_1^{old})-y_2K_{21}(\alpha_2^{new} - \alpha_2^{old})+b^{old}$

$b_2^{new} = -E_2-y_1K_{12}(\alpha_1^{new} - \alpha_1^{old})-y_2K_{22}(\alpha_2^{new} - \alpha_2^{old})+b^{old}$

那么新的b应该选取谁比较合适呢？

如果 $\alpha_1^{new}$ 在界内，那么就选 $b_1^{new}$ ，如何 $\alpha_2^{new}$ 在界内，就选 $b_2^{new}$ ，如果都在界内，那么 $b_1^{new}=b_2^{new}$ ，如果都在界上，一般选取 $b^{new} = \frac{b_1^{new}+b_2^{new}}{2}$

在完成两个变量的优化之后，还必须更新我们的E

$E_i^{new}= (\sum_{i=3}^N \alpha_iy_iK(x_j,x_i)+b^{new})-y_i$

在编程之前再介绍一下SVM的损失函数：合页损失函数。

$L(y(w\cdot x+b))=[1-y(w\cdot x+b)]_+$

称为合页损失函数，下标+表示取正值的函数.

$[z]_+\left\{\begin{matrix} z,z>0\\ 0,z\leq 0 \end{matrix}\right.$

也就是说，当样本正确分类时， $y(w\cdot x+b)$ 大于等于1的，损失为0，否则损失， $1-y(w\cdot x+b)$

接下来就接受SMO算法的源代码：

先接受精简版的SMO：

输入我们的数据：

def loadDataSet(fileName):
    dataMat = []; labelMat = []#x存在datamat当中，y就是我们的标签，存在labelmat中
    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]))#数据一共有三列，最后一列为y
    return dataMat,labelMat

精简版就随机选择我们的alpha：

def selectJrand(i,m):
    j=i #we want to select any J not equal to i
    while (j==i):
        j = int(random.uniform(0,m))
    return j

提前定义一个 $\alpha_2^{new}$ 的范围，以便后面使用：

def clipAlpha(aj,H,L):
    if aj > H: 
        aj = H
    if L > aj:
        aj = L
    return aj

然后就是我们的大餐了：

def smoSimple(dataMatIn, classLabels, C, toler, maxIter):
    dataMatrix = mat(dataMatIn); labelMat = mat(classLabels).transpose()
    b = 0; m,n = shape(dataMatrix)#返回他的行列
    alphas = mat(zeros((m,1)))
    iter = 0 
    while (iter < maxIter):
        alphaPairsChanged = 0
        for i in range(m):
            fXi = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[i,:].T)) + b     #这一步就是在计算我们的g(x),其中.T是np中的转置,可能并没有完全按照公式来，但只要能求得最后的结果你想怎么转就怎么转，注意矩阵下标，multiply是对位相乘，不是矩阵相乘运算。
            Ei = fXi - float(labelMat[i])
            if ((labelMat[i]*Ei < -toler) and (alphas[i] < C)) or ((labelMat[i]*Ei > toler) and (alphas[i] > 0)):#就是检查误差E是否足够大，我们选择alpha的时候就是希望有很大的变化
                j = selectJrand(i,m)#随机挑选第二个alpha
                fXj = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[j,:].T)) + b
                Ej = fXj - float(labelMat[j])#计算出第二个E
                alphaIold = alphas[i].copy(); alphaJold = alphas[j].copy();
                if (labelMat[i] != labelMat[j]):#按照前面的公式，确定L,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 = 2.0 * dataMatrix[i,:]*dataMatrix[j,:].T - dataMatrix[i,:]*dataMatrix[i,:].T - dataMatrix[j,:]*dataMatrix[j,:].T#这里是在计算eta，没有完全按照公式，把公式前面的正号变成负号就可以了
                if eta >= 0: print ("eta>=0"); continue#按照公式计算，eta>=0，但是没有按照公式计算就是eta<=0,所以出现eta>=0肯定错误
                alphas[j] -= labelMat[j]*(Ei - Ej)/eta#alpha2的更新公式
                alphas[j] = clipAlpha(alphas[j],H,L)
                if (abs(alphas[j] - alphaJold) < 0.00001): print ("j not moving enough"); continue#变化足够小，就不用变化了，迅速增加迭代次数，以退出程序
                alphas[i] += labelMat[j]*labelMat[i]*(alphaJold - alphas[j])
#update i by the same amount as 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 (C > alphas[i]): b = b1
                elif (0 < alphas[j]) and (C > alphas[j]): b = b2
                else: b = (b1 + b2)/2.0#b的选择我在前面也有详细介绍
                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

再附上完整的优化的SMO代码，其实变化不大，主要的变化在于E的更新与alpha的选择上面，上面懂了下面的也不会在话下：

class optStruct:
    def __init__(self,dataMatIn, classLabels, C, toler, kTup):  # Initialize the structure with the parameters 
        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))) #first column is valid flag
        self.K = mat(zeros((self.m,self.m)))
        for i in range(self.m):
            self.K[:,i] = kernelTrans(self.X, self.X[i,:], kTup)
        
def calcEk(oS, k):
    fXk = float(multiply(oS.alphas,oS.labelMat).T*oS.K[:,k] + oS.b)
    Ek = fXk - float(oS.labelMat[k])
    return Ek
        
def selectJ(i, oS, Ei):         #this is the second choice -heurstic, and calcs Ej
    maxK = -1; maxDeltaE = 0; Ej = 0
    oS.eCache[i] = [1,Ei]  #set valid #choose the alpha that gives the maximum delta E
    validEcacheList = nonzero(oS.eCache[:,0].A)[0]
    if (len(validEcacheList)) > 1:
        for k in validEcacheList:   #loop through valid Ecache values and find the one that maximizes delta E
            if k == i: continue #don't calc for i, waste of time
            Ek = calcEk(oS, k)
            deltaE = abs(Ei - Ek)
            if (deltaE > maxDeltaE):
                maxK = k; maxDeltaE = deltaE; Ej = Ek
        return maxK, Ej
    else:   #in this case (first time around) we don't have any valid eCache values
        j = selectJrand(i, oS.m)
        Ej = calcEk(oS, j)
    return j, Ej

def updateEk(oS, k):#after any alpha has changed update the new value in the cache
    Ek = calcEk(oS, k)
    oS.eCache[k] = [1,Ek]
        
def innerL(i, oS):
    Ei = calcEk(oS, i)
    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 = selectJ(i, oS, Ei) #this has been changed from selectJrand
        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] #changed for kernel
        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)
        updateEk(oS, j) #added this for the Ecache
        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])#update i by the same amount as j
        updateEk(oS, i) #added this for the Ecache                    #the update is in the oppostie direction
        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

def smoP(dataMatIn, classLabels, C, toler, maxIter,kTup=('lin', 0)):    #full Platt SMO
    oS = optStruct(mat(dataMatIn),mat(classLabels).transpose(),C,toler, kTup)
    iter = 0
    entireSet = True; alphaPairsChanged = 0
    while (iter < maxIter) and ((alphaPairsChanged > 0) or (entireSet)):
        alphaPairsChanged = 0
        if entireSet:   #go over all
            for i in range(oS.m):        
                alphaPairsChanged += innerL(i,oS)
                print "fullSet, iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged)
            iter += 1
        else:#go over non-bound (railed) alphas
            nonBoundIs = nonzero((oS.alphas.A > 0) * (oS.alphas.A < C))[0]
            for i in nonBoundIs:
                alphaPairsChanged += innerL(i,oS)
                print "non-bound, iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged)
            iter += 1
        if entireSet: entireSet = False #toggle entire set loop
        elif (alphaPairsChanged == 0): entireSet = True  
        print "iteration number: %d" % iter
    return oS.b,oS.alphas

好了，SMO的话基本就这样了，有问题的小伙伴欢迎给我留言

一个小路人

关注

0
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
机器学习第四篇：SVM，SMO算法的实现

这两天摸索了SVM，刚开始的时候接触SMO的时候就很懵，但是我有机器学习三大法宝护体，最终还是搞懂了一些。前面的细节部分就不予阐述了，直接从SMO算法部分开始讲起：下面讨论具体方法： (1) ...
复制链接

扫一扫