一、支持向量机
1.1定义
- 支持向量机是一种监督式学习的方法,按照监督学习(supervised learning)的方式对数据进行分类或回归。
- 它是一类广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)。
- SVM通过寻找支持向量(即距离超平面最近的数据点)来确定最优的超平面,这些支持向量对于分类决策起着关键作用。
1.2分类
1.3优缺点
优点:
-
泛化能力强:SVM以统计学习理论为基础,采用结构风险最小化原则,因此具有良好的泛化能力和推广性能。这意味着SVM能够在处理未知数据时保持较高的准确性。
-
全局最优解:SVM的求解过程是一个凸二次规划问题,这保证了可以得到全局最优解,从而确保了解的有效性。
-
处理高维数据:SVM通过巧妙地构造核函数,能够克服特征空间中的维数灾难问题。它只需要在原空间中计算样本数据与支持向量的内积,而不需要知道非线性映射的显性表达形式,从而有效地处理高维数据。
-
适用于小样本数据:SVM的分类效果不仅与训练样本的数量有关,还与样本的分布情况有关。在样本量不是海量数据的情况下,SVM的分类准确率高。
-
可以处理非线性问题:通过选择合适的核函数,SVM可以将非线性问题转化为线性问题进行处理,从而扩大了其应用范围。
缺点:
-
对参数敏感:SVM的性能受到多个参数(如核函数的选择、正则化参数等)的影响。这些参数的选择对分类结果有较大的影响,需要进行反复试验和调整。如果参数选择不当,可能会导致分类效果较差。
-
计算复杂度高:尤其是对于大规模数据集和高维数据集,SVM的计算时间和计算空间需求都会很大。此外,训练过程需要多次迭代,也会增加计算的复杂度。
-
对噪声数据敏感:如果数据中存在噪声或孤立点,可能会对SVM的分类结果造成不良影响。因此,在使用SVM进行分类之前,通常需要对数据进行预处理以去除噪声。
-
仅适用于二分类问题:原始的SVM是设计用来解决二分类问题的。虽然可以通过构造多个二分类器来解决多分类问题,但效果可能并不理想。
二、基本概念
2.1线性可分
对于一个数据集合可以画一条直线将两组数据点分开,这样的数据称为线性可分,如下图:
2.2平面与间隔
1.超平面:对于三维及三维以上的数据来说,分隔数据的是个平面,称为超平面,也就是分类的决策边界。
2.分割超平面:将上述数据集分隔开来的直线成为分隔超平面。对于二维平面来说,分隔超平面就是一条直线。
3.间隔:数据集所有点到分隔面的最小间隔的2倍,称为分类器或数据集的间隔。论文中提到的间隔多指这个间隔。SVM分类器就是要找最大的数据集间隔。
4.点相对于分割面的间隔:点到分割面的距离,称为点相对于分割面的间隔。
5.支持向量: 离分隔超平面最近的那些点。
三、寻找最大间隔
3.1分割超平面
二维空间一条直线的方程为,y=ax+b,推广到n维空间,就变成了超平面方程,即,其中w是权重,b是截距,训练数据就是训练得到权重和截距。
3.2决定最好参数
SVM划分的超平面:f(x) = 0,w为法向量,决定超平面方向,
假设超平面将样本正确划分
f(x) ≥ 1,y = +1
f(x) ≤ −1,y = −1
间隔:d=2/|w|
最大化间隔也就是寻找参数w和b , 使得下述公式最大:
四、对偶问题
4.1KKT条件
KKT条件(Karush-Kuhn-Tucker Conditions)是在优化问题中,特别是在具有约束条件的优化问题中,一个非常重要的概念。
- KKT条件主要包括三个部分:
- 原问题的约束条件:包括等式约束和不等式约束。
- 拉格朗日函数的梯度为零:即∇_xL(x, λ, ν) = 0,其中L(x, λ, ν)是拉格朗日函数,λ和ν是拉格朗日乘子。
- 拉格朗日乘子的非负性:对于不等式约束,对应的拉格朗日乘子λ_i必须非负,即λ_i ≥ 0。
- 公式表示(示例):
- 对于一个标准优化问题(原问题):
- min f_0(x)
- s.t. f_i(x) ≤ 0, i = 1, ..., m
- h_i(x) = 0, i = 1, ..., p
- 对应的拉格朗日函数为:
- L(x, λ, ν) = f_0(x) + ∑_{i=1}m λ_i f_i(x) + ∑_{i=1}p ν_i h_i(x)
- 其中,λ_i ≥ 0 是对应不等式约束的拉格朗日乘子,ν_i 是对应等式约束的拉格朗日乘子。
- 对于一个标准优化问题(原问题):
4.2拉格朗日乘法
支持向量机的目标函数与约束函数:
第一步:引入拉格朗日乘子≥0得到拉格朗日函数
第二步:令L(w,b,α)
,
第三步:w,b回代到第一步
第四步:转换为对偶形式
第五步:最终模型
,其中未知数为
五、核函数
核函数(Kernel Function)是用于将输入空间中的数据点映射到特征空间中的函数。它通过某种非线性变换φ(x),将原始数据映射到高维空间,使得在这个高维空间中数据点之间的关系可能更加明显,从而更容易被线性算法处理。
5.1常用核函数
1、线性核。就表示原空间内积,适用于线性可分问题。
2、高斯核。适用于没有先验经验的非线性分类。其中σ越小,使得映射的维度越高。
3、多项式核。适用于没有先验经验的分类。其中d越越小,使得映射的维度越高。
4、Sigmoid核。此时SVM实现的就是一种多层感知器神经网络。
5.2特点
线性核函数:简单,求解快,奥卡姆剃刀,可解释性强。
高斯核函数:可以映射到无限维,决策边界更多样,只有一个参数,更容易选择,特征多时会选用。但可解释性差,容易过拟合,计算速度较慢。
多项式核函数:可解决非线性问题,参数较多,对大数量级特征不适用。
Sigmoid核函数:主要用于神经网络。
六、SMO算法
主要用于解决SVM目标函数的最优化问题,特别是当数据集规模较大时,SMO算法能够高效地找到最优解。
6.1基本思路
- 选择两个变量:
- 根据某种启发式方法(如序列最小化原则)选择两个变量进行优化。
- 求解子问题:
- 在固定其他变量的前提下,对选定的两个变量进行求解,得到新的值。
- 迭代优化:
- 不断重复步骤1和步骤2,直到满足终止条件(如达到最大迭代次数或函数值收敛)。
6.2应用简化版SMO算法结果图示
数据集:
SMO算法进行求解:
优化:
七、代码实例(鸢尾花分类测试)
7.1数据集介绍
鸢尾花数据集是一个经典数据集,在统计学习和机器学习领域都经常被用作示例。数据集内包含 3 类共 150 条记录,每类各 50 个数据,每条记录都有 4 项特征:花萼长度、花萼宽度、花瓣长度、花瓣宽度,可以通过这4个特征预测鸢尾花卉属于(iris-setosa, iris-versicolour, iris-virginica)三种中的哪一品种。
#数据内容
sepal_len sepal_wid petal_len petal_wid label
0 5.1 3.5 1.4 0.2 0
1 4.9 3.0 1.4 0.2 0
2 4.7 3.2 1.3 0.2 0
3 4.6 3.1 1.5 0.2 0
4 5.0 3.6 1.4 0.2 0
.. ... ... ... ... ...
145 6.7 3.0 5.2 2.3 2
146 6.3 2.5 5.0 1.9 2
147 6.5 3.0 5.2 2.0 2
148 6.2 3.4 5.4 2.3 2
149 5.9 3.0 5.1 1.8 2
7.2代码实现
1.源代码:
import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
def create_data():
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['label'] = iris.target
df.columns = ['sepal_len', 'sepal_wid', 'petal_len', 'petal_wid', 'label']
print(df)
data = np.array(df.iloc[:100, [0, 1, -1]])
for i in range(len(data)):
if data[i,-1] == 0:
data[i,-1] = -1
return data[:,:2], data[:,-1]
class SVM:
def __init__(self, max_iter=100, kernel='poly'):
self.max_iter = max_iter
self._kernel = kernel
def init_args(self, features, labels):
self.m, self.n = features.shape
self.X = features
self.Y = labels
self.b = 0.0
# 将Ei保存在一个列表里
self.alpha = np.ones(self.m)
self.E = [self._E(i) for i in range(self.m)]
# 松弛变量
self.C = 1.0
def _KKT(self, i):
y_g = self._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
# g(x)预测值,输入xi(X[i])
def _g(self, i):
r = self.b
for j in range(self.m):
r += self.alpha[j]*self.Y[j]*self.kernel(self.X[i], self.X[j])
return r
# 核函数
def kernel(self, x1, x2):
if self._kernel == 'linear':
return sum([x1[k]*x2[k] for k in range(self.n)])
elif self._kernel == 'poly':
return (sum([x1[k]*x2[k] for k in range(self.n)]) + 1)**2
return 0
# E(x)为g(x)对输入x的预测值和y的差
def _E(self, i):
return self._g(i) - self.Y[i]
def _init_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._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 = min(range(self.m), key=lambda x: self.E[x])
else:
j = max(range(self.m), key=lambda x: self.E[x])
return i, j
def _compare(self, _alpha, L, H):
if _alpha > H:
return H
elif _alpha < L:
return L
else:
return _alpha
def fit(self, features, labels):
self.init_args(features, labels)
for t in range(self.max_iter):
# train
i1, i2 = self._init_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] * (E2 - E1) / eta
alpha2_new = self._compare(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.E[i1] = self._E(i1)
self.E[i2] = self._E(i2)
return 'train done!'
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)
def _weight(self):
# linear model
yx = self.Y.reshape(-1, 1)*self.X
self.w = np.dot(yx.T, self.alpha)
return self.w
X, y = create_data()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
svm = SVM(max_iter=800)
print(svm.fit(X_train, y_train))
print(svm.score(X_train, y_train))
print(svm.score(X_test, y_test))
2.基于sklearn的代码实现
import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
def create_data():
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['label'] = iris.target
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
data = np.array(df.iloc[:100, [0, 1, -1]])
for i in range(len(data)):
if data[i,-1] == 0:
data[i,-1] = -1
return data[:,:2], data[:,-1]
X, y = create_data()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
plt.scatter(X[:50,0],X[:50,1], label='0')
plt.scatter(X[50:,0],X[50:,1], label='1')
plt.show()
model = SVC()
model.fit(X_train, y_train)
SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,
decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',
max_iter=-1, probability=False, random_state=None, shrinking=True,
tol=0.001, verbose=False)
print('train accuracy: ' + str(model.score(X_train, y_train)))
print('test accuracy: ' + str(model.score(X_test, y_test)))
7.3运行结果
1.数据分布
2.训练集和测试集上的准确性
train accuracy: 1.0
test accuracy: 0.96
八、问题及总结
8.1问题
运行时报错
ValueError:setting an array element with a sequence. The requested array has an inhomogeneous shape after 1 dimensions. The detected shape was (2,) + inhomogeneous part.
解决方法:降低numpy版本后成功运行。
8.2总结
支持向量机(SVM)是一种强大的监督学习算法,用于分类和回归分析。以下是关于SVM的总结:
-
目标:SVM的主要目标是找到一个最佳的超平面,能够将数据集中的不同类别分开,并且使得边界(或者称为间隔)尽可能地远离训练数据点,从而提高泛化能力。
-
核函数:SVM可以使用核函数来处理非线性可分的数据。常见的核函数包括线性核、多项式核和高斯径向基函数(RBF)核。
-
支持向量:在SVM中,支持向量是指离超平面最近的那些数据点,它们对于定义决策边界起着关键作用。由支持向量决定了最终的超平面位置。
-
软间隔与硬间隔:SVM可以通过软间隔来处理一些噪声数据或者存在一定程度重叠的情况,这时允许一些数据点落在间隔内部,但会引入惩罚项来控制错误分类的数量。
-
正则化参数:SVM中的正则化参数C用于平衡间隔的最大化和误分类的惩罚,较大的C会导致更严格地要求所有样本都正确分类,而较小的C会允许一些样本被错分。
-
多类别分类:SVM最初是为二元分类设计的,但可以通过一对一或一对其他的方法扩展到多类别分类问题。
总的来说,SVM是一种多功能的机器学习算法,它在处理小样本、非线性和高维数据上表现出色,并且具有很强的泛化能力。然而,SVM的计算复杂度随着训练集大小的增加而显著增加,因此在处理大规模数据时需要谨慎使用。