浅浅聊聊支持向量机

最新推荐文章于 2023-09-06 09:31:27 发布

mseaspring

最新推荐文章于 2023-09-06 09:31:27 发布

阅读量379

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/mseaspring/article/details/103016437

版权

机器学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

第一次看到SVM还是初次接触到机器学习的时候，感觉这个算法很高级，什么超平面，核函数之类，搞得挺晕乎的，接着又用这个算法，感觉性能比决策树等一般的机器学习算法并没有什么优势，所以也没啥兴趣学这玩意，这次在数据分析实战四十五讲上看到这个算法的讲解，就顺便做个笔记吧，我也只能算粗略地了解下这个算法，所以这篇文章中并没有什么复杂的数学公式推导，这种网上也是一艘一大堆。

概念和基本理解

SVM的英文全称是Support Vector Machines，我们叫它支持向量机。支持向量机是我们用于分类的一种算法，是属于有监督的学习算法。

SVM不光可以处理线性可分的数据，还可以处理非线性可分的数据。所谓的线性可分，就是可以找到一个线，将样本分成两个部分；对于非线性可分的数据，比如在一个平面中红球和白球混在一起，这时候没办法找到直线将样本分开，对于SVM算法来说可以找一个核函数，将数据映射到更高的维度，然后找到超平面将样本分开，就像将平面拍下，让球都弹起来，如果红球和白球的质量不同，则质量轻的弹的更高，这样就可以把两种球找到了。

无法线性可分的

映射到更高维度后可分
分类间隔：如果在二维平面上，划分一条线可以将样本分为两类，如果是多维空句，直线就变成了决策面，这样的直线或决策面不是一个，在平移的时候，可以找到非常靠近两类的极限位置，超过这个位置，就会分类错误，这两个极限位置中间的距离称为分类间隔，中间的分类线就是我们找最优分类决策面。
如果我们在转动最优决策面，可能存在多个最优决策面，我们就找最大分类间隔的决策面，那么最优决策面离两类的距离才最远，这样分类器的泛化能力才最好，因为样品毕竟是这个部分的，不是所有的数据。

支持向量：支持向量是上面说的最靠近两类数据的样本，这些样本数据决定了决策面，其他的样本对结果影响不大。

超平面：在二维空间分开两类数据是一条线（线性情况下），在三维空间中就是一个平面，维数还可能更多，我们给这个线性的函数起个名字就叫“超平面”。
SVM算法就是去找一个超平面，使用分类间隔的距离最大。
比如下图中，右面的分类间隔更大，显然中间的那条线就是我们要找到的超平面。
支持向量

硬间隔：SVM分类器分的是完全准确的没有错误的。
软间隔：准许存在一定量的样本是分类错误的。

例子

在sklearn中同样有SVM算法的工具包可以使用，SVM既可以做回归，也可以做分类。做回归的时候使用的是SVR或LinearSVR；做分类的时候可以用的是SVC即Support Vector Classification。

model = svm.SVC(kernel='rbf',C=1.0,gamma='auto'

说明：

kernel 表示核函数取值如下：
linear：线性函数，用于线性可分场景，速度快效果好。
poly：多项式函数, 将数据从低维空间映射到高维度空间，参数多，计算量大。
rbf：高斯核函数（默认），同样将样本映射到高维空间，但是参数少，性能更好。
sigmoid：sigmoid核心函数，此函数通常用在神经网络中，实现的是多层神经网络。

参数C 表示惩罚的系数，C越大，分类错误惩罚越大，数据拟合更好，但是容错性毕竟差。
C越小，泛化能力强，分类准确度不高。

参数gamma表示核函数系数，一般取值为样本数量的倒数。

利用老师课上的例子，数据见链接：https://github.com/cystanford/breast_cancer_data/
探索数据：
数据相关性图
数字越接近1相关性越大，通过相关性视图我们有两种方式来选特征：

相关性大的特征我们可以选择其中一个代表，其他的删除。
找和结果值相关性大的特征。

根据上面的相关性分析，我选择了下面的特征：

features_remain = ['radius_mean','perimeter_mean','area_mean','concave points_mean','radius_worst','perimeter_worst','area_worst','concave points_worst']

目前选择是采用第二种方法，如果想进一步减少，还可以分析下这里面的特征的相关性，去掉相关性大的特征。
在原有代码上稍加改动代码示例：

# -*- coding: utf-8 -*-

# -*- coding: utf-8 -*-
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 加载数据集，你需要把数据放到目录中
data = pd.read_csv("./data.csv")

# 数据探索
# 因为数据集中列比较多，我们需要把dataframe中的列全部显示出来
##显示所有列
pd.set_option('display.max_columns', None)
#显示所有行 
pd.set_option('display.max_rows',None)

#大概浏览下数据
#print(data.columns)
#print(data.head(5))
#print(data.describe())

features_mean= list(data.columns[1:32])

# 数据清洗
# ID列没有用，删除该列
data.drop("id",axis=1,inplace=True)
# 将B良性替换为0，M恶性替换为1
data['diagnosis']=data['diagnosis'].map({'M':1,'B':0})

# 将肿瘤诊断结果可视化
sns.countplot(data['diagnosis'],label="Count")
plt.show()

'''
参数1：method：可选值为{‘pearson’, ‘kendall’, ‘spearman’}

pearson：Pearson相关系数来衡量两个数据集合是否在一条线上面，即针对线性数据的相关系数计算[默认] 
kendall：用于反映分类变量相关性的指标，即针对无序序列的相关系数，非正太分布的数据
spearman：非线性的，非正太分析的数据的相关系数

参数2：min_periods：样本最少的数据量

返回值：各类型之间的相关系数DataFrame表格。
'''
# 用热力图呈现features_mean字段之间的相关性
corr = data[features_mean].corr(method='kendall',min_periods=1)
print('=========================================')
sorted_features = corr['diagnosis'].sort_values(ascending=False)

plt.figure(figsize=(32,32))
# annot=True显示每个方格的数据
sns.heatmap(corr, annot=True)
plt.show()

print(sorted_features.index)
chose_features = []
#选择相关性最大的top10数据
for i in sorted_features[1:10].index:
    print (i+":"+str(sorted_features[i]))
    chose_features.append(i)
print(chose_features)

利用SVM算法进行训练和预测

# -*- coding: utf-8 -*-
# 乳腺癌诊断分类
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn import metrics
from sklearn.preprocessing import StandardScaler

# 加载数据集，你需要把数据放到目录中
data = pd.read_csv("./data.csv")

# 数据清洗
# ID列没有用，删除该列
data.drop("id",axis=1,inplace=True)
# 将B良性替换为0，M恶性替换为1
data['diagnosis']=data['diagnosis'].map({'M':1,'B':0})

#特征选择
all_mean= list(data.columns[0:32])
corr = data[all_mean].corr(method='pearson')
sorted_features = corr['diagnosis'].sort_values(ascending=False)
chose_features = []
#选择相关性最大的top10数据
feture_num = 10
for i in sorted_features[1:feture_num].index:
    chose_features.append(i)
print(chose_features)

# 抽取30%的数据作为测试集，其余作为训练集
train, test = train_test_split(data, test_size = 0.3)# in this our main data is splitted into train and test
# 抽取特征选择的数值作为训练和测试数据
train_X = train[chose_features]
train_y=train['diagnosis']
test_X= test[chose_features]
test_y =test['diagnosis']

# 采用Z-Score规范化数据，保证每个特征维度的数据均值为0，方差为1
ss = StandardScaler()
train_X = ss.fit_transform(train_X)
test_X = ss.transform(test_X)

# 创建SVM分类器
#0.9707602339181286
#model = svm.LinearSVC()
#0.9532163742690059
#model = svm.SVC(kernel='rbf', degree=2, gamma=1.7)
#0.8187134502923976
#model = svm.SVC(kernel='poly', degree=2, gamma=1.7)
#0.9532163742690059
model = svm.SVC(kernel='linear',gamma = 1/feture_num)
# 用训练集做训练
model.fit(train_X,train_y)
# 用测试集做预测
prediction=model.predict(test_X)
print('准确率: ', metrics.accuracy_score(prediction,test_y))

参考
https://wenku.baidu.com/view/fa8e7f2eccbff121dd368336.html
https://www.cnblogs.com/sharryling/p/9429589.html
https://www.cnblogs.com/sharryling/p/9429589.html
padas 数据相关性解释：https://blog.csdn.net/walking_visitor/article/details/85128461

mseaspring

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
浅浅聊聊支持向量机

第一次看到SVM还是初次接触到机器学习的时候，感觉这个算法很高级，什么超平面，核函数之类，搞得挺晕乎的，接着又用这个算法，感觉性能比决策树等一般的机器学习算法并没有什么优势，所以也没啥兴趣学这玩意，这次在数据分析实战四十五讲上看到这个算法的讲解，就顺便做个笔记吧，我也只能算粗略地了解下这个算法，所以这篇文章中并没有什么复杂的数学公式推导，这种网上也是一艘一大堆。概念和基本理解SVM的英文...
复制链接

扫一扫