SVM简介
支持向量机（support vector machines, 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，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可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。SVM的的学习算法就是求解凸二次规划的最优化算法。
最大间隔与分类：
原理举例：wT取（w1,w2），x取（x1,x2）T， 则原式得 w1x1+w2x2+b=0 与传统直线 Ax+By+c=0 方程式
相同，由二维三维空间推到更高维平面的一般式即为上式。
W：为平面法向量，决定了超平面的方向
b: 决定了超平面距原点的距离
法向量与样本属性的个数、超空间维数相同。在超空间中我们要求的参数就是决定超平面的W和b值。
如图所示： 
令 𝒙+和 𝒙- 位于决策边界上，标签分别为正、负的两个样本，考虑 𝒙+x_ 到分类线的距离为
因此，分类间隔为：
最大化间隔：寻找参数w和b，使得下述公式最大
间隔最大化例子：
对偶问题：
等式约束：
给定一个目标函数 f : Rn→R，希望找到x∈Rn，在满足约束条件g(x)=0的前提下，使得f(x)有最小值。该约束优化问题记为：
可建立拉格朗日函数：
其中 λ 称为拉格朗日乘数。因此，可将原本的约束优化问题转换成等价的无约束优化问题：
分别对待求解参数求偏导，可得：
一般联立方程组可以得到相应的解。
不等式约束的KKT条件：
将约束等式 g(x)=0 推广为不等式 g(x)≤0。这个约束优化问题可改为：
同理，其拉格朗日函数为：
拉格朗日乘子法的几何意义即在等式g(x)=0或在不等式约束g(x)≤0下最小化目标函数f(x)，如下图：
①当 g(x)＜0 时：对f(x)求极值相当于闭区间求极值，最值点即为极值点，令λ=0，直接对f求梯度即可得到极值。
②当 g(x) = 0 时：说明极值点在边界取到，即g(x)＜0内的点值都大于边界，梯度的定义是向函数值增加最快的方向，所以f的梯度与g的梯度相反，从而存在常数λ＞0，使得：
其约束范围为不等式，因此可等价转化成Karush-Kuhn-Tucker (KKT)条件：
在此基础上，通过优化方式（如二次规划或SMO）求解其最优解。
SMO算法：
SMO算法工作原理是：每次循环中选择两个α进行优化处理。一旦找到一对合适的α，那么就增大其中一个同时减小另一个。这里所谓的“合适”就是指两个α必须要符合 一定的条件，条件之一就是这两个α必须要在间隔边界之外，而其第二个条件则是这两个α还没有进行过区间化处理或者不在边界上
来到SVM的对偶问题上
基本思路：不断执行如下两个步骤直至收敛
偏移项b：通过支持向量来确定
代码实现：
数据集采用网上寻找的ris鸢尾花数据集，它包含3个不同品种的鸢尾花：[Setosa，Versicolour，and Virginica]数据，特征：[‘sepal length’, ‘sepal width’, ‘petal length’, ‘petal width’],一共150个数据。
import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
#加载数据
def create_data():
iris = load_iris()
#选取前两类作为数据
Data=np.array(iris["data"])[:100]
Label=np.array(iris["target"])[:100]
Label=Label*2-1
print("dara shape:",Data.shape)
print("label shape:",Label.shape)
return Data, Label
class SVM:
def __init__(self, max_iter=100, kernel='linear'):
self.max_iter = max_iter
self._kernel = kernel
#参数初始化
def init_args(self, features, labels):
self.m, self.n = features.shape
self.X = features
self.Y = labels
self.b = 0.0
self.alpha = np.ones(self.m)
self.computer_product_matrix()#为了加快训练速度创建一个内积矩阵
# 松弛变量
self.C = 1.0
# 将Ei保存在一个列表里
self.create_E()
#KKT条件判断
def judge_KKT(self, i):
y_g = self.function_g(i) * self.Y[i]
if self.alpha[i] == 0:
return y_g >= 1
elif 0 < self.alpha[i] < self.C:
return y_g == 1
else:
return y_g <= 1
#计算内积矩阵#如果数据量较大，可以使用系数矩阵
def computer_product_matrix(self):
self.product_matrix = np.zeros((self.m,self.m)).astype(np.float)
for i in range(self.m):
for j in range(self.m):
if self.product_matrix[i][j]==0.0:
self.product_matrix[i][j]=self.product_matrix[j][i]= self.kernel(self.X[i], self.X[j])
# 核函数
def kernel(self, x1, x2):
if self._kernel == 'linear':
return np.dot(x1,x2)
elif self._kernel == 'poly':
return (np.dot(x1,x2) + 1) ** 2
return 0
#将Ei保存在一个列表里
def create_E(self):
self.E=(np.dot((self.alpha * self.Y),self.product_matrix)+self.b)-self.Y
# 预测函数g(x)
def function_g(self, i):
return self.b+np.dot((self.alpha * self.Y),self.product_matrix[i])
#选择变量
def select_alpha(self):
# 外层循环首先遍历所有满足0<a<C的样本点，检验是否满足KKT
index_list = [i for i in range(self.m) if 0 < self.alpha[i] < self.C]
# 否则遍历整个训练集
non_satisfy_list = [i for i in range(self.m) if i not in index_list]
index_list.extend(non_satisfy_list)
for i in index_list:
if self.judge_KKT(i):
continue
E1 = self.E[i]
# 如果E2是+，选择最小的；如果E2是负的，选择最大的
if E1 >= 0:
j =np.argmin(self.E)
else:
j = np.argmax(self.E)
return i, j
#剪切
def clip_alpha(self, _alpha, L, H):
if _alpha > H:
return H
elif _alpha < L:
return L
else:
return _alpha
#训练函数，使用SMO算法
def Train(self, features, labels):
self.init_args(features, labels)
#SMO算法训练
for t in range(self.max_iter):
i1, i2 = self.select_alpha()
# 边界
if self.Y[i1] == self.Y[i2]:
L = max(0, self.alpha[i1] + self.alpha[i2] - self.C)
H = min(self.C, self.alpha[i1] + self.alpha[i2])
else:
L = max(0, self.alpha[i2] - self.alpha[i1])
H = min(self.C, self.C + self.alpha[i2] - self.alpha[i1])
E1 = self.E[i1]
E2 = self.E[i2]
# eta=K11+K22-2K12
eta = self.kernel(self.X[i1], self.X[i1]) + self.kernel(self.X[i2], self.X[i2]) - 2 * self.kernel(
self.X[i1], self.X[i2])
if eta <= 0:
# print('eta <= 0')
continue
alpha2_new_unc = self.alpha[i2] + self.Y[i2] * (E1 - E2) / eta # 此处有修改，根据书上应该是E1 - E2，书上130-131页
alpha2_new = self.clip_alpha(alpha2_new_unc, L, H)
alpha1_new = self.alpha[i1] + self.Y[i1] * self.Y[i2] * (self.alpha[i2] - alpha2_new)
b1_new = -E1 - self.Y[i1] * self.kernel(self.X[i1], self.X[i1]) * (alpha1_new - self.alpha[i1]) - self.Y[
i2] * self.kernel(self.X[i2], self.X[i1]) * (alpha2_new - self.alpha[i2]) + self.b
b2_new = -E2 - self.Y[i1] * self.kernel(self.X[i1], self.X[i2]) * (alpha1_new - self.alpha[i1]) - self.Y[
i2] * self.kernel(self.X[i2], self.X[i2]) * (alpha2_new - self.alpha[i2]) + self.b
if 0 < alpha1_new < self.C:
b_new = b1_new
elif 0 < alpha2_new < self.C:
b_new = b2_new
else:
# 选择中点
b_new = (b1_new + b2_new) / 2
# 更新参数
self.alpha[i1] = alpha1_new
self.alpha[i2] = alpha2_new
self.b = b_new
self.create_E()#这里与书上不同，，我选择更新全部E
def predict(self, data):
r = self.b
for i in range(self.m):
r += self.alpha[i] * self.Y[i] * self.kernel(data, self.X[i])
return 1 if r > 0 else -1
def score(self, X_test, y_test):
right_count = 0
for i in range(len(X_test)):
result = self.predict(X_test[i])
if result == y_test[i]:
right_count += 1
return right_count / len(X_test)
if __name__ == '__main__':
svm = SVM(max_iter=200)
X, y = create_data()
X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.333, random_state=23323)
svm.Train(X_train, y_train)
print(svm.score(X_test, y_test))
结果截图：
458
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
