《机器学习实战》学习笔记-[6]-支持向量机SMO

机器学习实战之支持向量机SMO

SMO理论基础

参考：SequentialMinimalOptimization-AFastAlgorithmforTrainingSupportVectorMachines.pdf

下载地址： SMO原文

SMO简单版伪代码

SMO伪代码
创建一个alpha向量并将其初始化为0向量
当迭代次数小于最大迭代次数时（外循环）:
    对数据集中每一个数据向量（内循环）：
        如果该向量可以被优化:
            随机选择另一个数据向量
            同时优化这两个向量
            若果这两个向量都不能被优化，退出内循环
    若果所有的向量都没有被优化，增加迭代次数，继续下一次循环

'''
机器学习实战-支持向量机学习
'''

from numpy import *
from  time import sleep

'''
准备数据
每行数据【特征1，特征2，类别标签】
'''


def loadDataSet(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


'''
辅助函数：随机选择不同于i的下标
'''


def selectJrand(i, m):
    j = i
    while (j == i):
        j = int(random.uniform(0, m))
    return j


'''
 剪辑后aj的解
'''


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


'''
SMO伪代码
创建一个alpha向量并将其初始化为0向量
当迭代次数小于最大迭代次数时（外循环）:
    对数据集中每一个数据向量（内循环）：
        如果该向量可以被优化:
            随机选择另一个数据向量
            同时优化这两个向量
            若果这两个向量都不能被优化，退出内循环
    若果所有的向量都没有被优化，增加迭代次数，继续下一次循环
'''
# a = [1,2,3]
# b = [[1,2,3],[1,2,3],[1,2,3]]
# labelMat = mat(b)
# alphas =  mat(a).transpose()
# fXi = multiply(alphas,labelMat).T
# print(fXi)
# [[1 2 3]
#  [2 4 6]
#  [3 6 9]]

#输入数据集，类别标签，常数，容错率，最大迭代次数
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):
        alphaPairsChanged = 0
        for i in range(m):
            #预测的类别
            fXi = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[i,:].T)) + b
            #误差
            Ei = fXi - float(labelMat[i])#if checks if an example violates KKT conditions
            #如果误差较大，且【0，C】（值得优化）
            if ((labelMat[i]*Ei < -toler) and (alphas[i] < C)) or ((labelMat[i]*Ei > toler) and (alphas[i] > 0)):
                j = selectJrand(i,m)
                fXj = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[j,:].T)) + b
                Ej = fXj - float(labelMat[j])
                alphaIold = alphas[i].copy(); alphaJold = alphas[j].copy();
                if (labelMat[i] != labelMat[j]):
                    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
                if eta >= 0: print("eta>=0"); continue
                alphas[j] -= labelMat[j]*(Ei - Ej)/eta
                alphas[j] = 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])#update i by the same amount as j
                                                                        #the update is in the oppostie direction
                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 #alphaPairsChanged = 1 说明还能优化，要迭代到不能优化
        print( "iteration number: %d" % iter)
    return b,alphas

测试

import os

from ML_Learn.com.ML.Class.SVM import svmMLiA

#导入训练数据集
dataArr, labelArr = svmMLiA.loadDataSet(os.getcwd() + '/resource/testSet.txt')

#简单版SMO测试
b,alphas = svmMLiA.smoSimple(dataArr,labelArr,0.6,0.001,40)
print("b: " , b)
print("alphas>0: ", alphas[alphas>0])
for i in range(100):
    if alphas[i]>0.0:
        print("支持向量元素:\t" ,dataArr[i] ,"\t" ,labelArr[i] )

# b:  [[-3.84148046]]
# alphas>0:  [[ 0.14709994  0.17249089  0.04916758  0.00392681  0.36483161]]
# 支持向量元素:	 [4.658191, 3.507396] 	 -1.0
# 支持向量元素:	 [3.457096, -0.082216] 	 -1.0
# 支持向量元素:	 [2.893743, -1.643468] 	 -1.0
# 支持向量元素:	 [5.286862, -2.358286] 	 1.0
# 支持向量元素:	 [6.080573, 0.418886] 	 1.0