机器学习 SMO算法breast_cancer数据集分类

一、实验原理

1、序列最小最优化SMO算法：
（1）通过满足KKT条件，来求解；
（2）如果没有满足KKT条件，选择两个变量，固定其他变量，构造二次规划问题。
优化目标：

变量是拉格朗日乘子，一个变量a_i对应于一个样本点(x_i,y_i); 变量的总数等于训练样本的容量N。 SMO是启发式算法，思路是： 固定其他变量，针对其中两个变量构建二次规划问题，通过子问题求解，提高算法计算速度。 这两个变量，一个是违反KKT条件最严重的那个，另一个是由约束条件自动确定。

2、算法步骤
SMO算法在每个子问题中选择两个变量优化，其中至少一个变量是违反KKT条件的。
（1）第一个变量选择 从间隔边界上的支持向量点（0<a<C），选取不满足KKT条件的点，如果没有,从剩下的点选择。
KKT条件为：

（2）第二个变量选择使得|E_1-E2|最大。其中， 代表函数 g(x)对输入x_i的预测值与真实输出y_i之差。

（3）计算阈值b 和差值E_i

（4）根据决策函数进行预测可获得样本标签

SVM问题求解

坐标下降

新的子问题

优化成只有两个变量的目标函数

确定解析解的上下界

第一种情况
a1-a2=k

a1+a2=k,同理

求解过程

a的最终解

由kkt条件计算得出b,Ei

二、实验对象

数据集名称：breast_cancer
数据集属性：UCI乳腺癌数据（30个特征值）
任务：SVM二分类
数据集划分：训练集：测试集 =7:3

三、实验代码

from sklearn import datasets
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
class SVM:
    def __init__(self, max_iter=100, kernel='linear'):
        self.max_iter = max_iter
        self._kernel = kernel

    def initialize_parameters(self, data, labels):
        #初始化参数
        #找出特征维度，shape返回元组
        #m，n返回样本数与特征数
        self.m, self.n = data.shape
        self.X = data
        self.Y = labels
        self.b = 0.0

        # 初始化拉格朗日乘子
        self.alpha = np.ones(self.m)
        #E为函数g(x)对输入xi的预测值与真实值yi之差
        #
        self.E = [self._E(i) for i in range(self.m)]
        # 松弛变量，即允许分类出错的代价
        self.C = 0.6

    def KKT(self, i):
    #KKT条件函数
        '''
        SMO算法在每个子问题中选择两个变量优化，其中至少一个变量是违反KKT条件的。 
        （1）第一个变量选择 从间隔边界上的支持向量点
        （2）第二个变量的选择 第二个变量选择使得|E1-E2|最大

        '''
        # 对应KKT的式子
        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):
            #拉格朗日乘子*训练集的真实标签 预测样本，训练集特征
            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':
            #线性核函数

            return sum([x1[k] * x2[k] for k in range(self.n)])
        elif self._kernel == 'poly':
            #多项式核函数
            return (sum([x1[k] * x2[k] for k in range(self.n)]) + 1)**2

        return 0

 
    def _E(self, i):
        #E（x）为g(x)对输入x的预测值和y的差
        #E_i = g(x_i) - y_i
        return self._g(i) - self.Y[i]

    #启发式选择机制
    def _init_alpha(self):
        #外层循环首先遍历所有满足0<a<C的样本点，这些样本点是违反KKT最严重的样本点
        #因此每一次调整更新会带来最大的合理更新
        index_list = [i for i in range(self.m) if 0 < self.alpha[i] < self.C]
         #当a=C的时候优先优化分割边界上的点，每一次能有一个更大的调整变化
        non_satisfy_list = [i for i in range(self.m) if i not in index_list]
        index_list.extend(non_satisfy_list)
        # 外层循环选择满足0<alpha_i<C，且不满足KKT的样本点。如果不存在遍历剩下训练集
        for i in index_list:
            #内层循环的标准是希望能使目标函数有足够大的变化
            #每次调整得越多越好，目标函数调整得越快越好
            if self.KKT(i):
                continue
            # 因此内层循环，要使|E1-E2|最大化
            E1 = self.E[i]
            # 如果E1是+，选择最小的E_i作为E2；如果E1是负的，选择最大的E_i作为E2
       
            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, data, labels):
        #模型训练
        #初始化参数
        self.initialize_parameters(data, labels)
        #定义最大迭代次数
        for _ in range(self.max_iter):
            i1, i2 = self._init_alpha()
            # 边界,计算阈值b和差值E_i
            if self.Y[i1] == self.Y[i2]:
                # L = max(0, alpha_2 + alpha_1 -C)
                # H = min(C, alpha_2 + alpha_1)
                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, alpha_2 - alpha_1)
                # H = min(C, alpha_2 + alpha_1+C)
                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= ||phi(x_1) - phi(x_2)||^2
            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
            # 更新约束方向的解
            alpha2_new_unc = self.alpha[i2] + self.Y[i2] * (E1 - E2) / 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
            #重新计算误差
            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):
        #计算模型准确率
        right_count = 0
        for i in range(len(X_test)):
            result = self.predict(X_test[i])
            #print(result, ", ", y_test[i])
            if result == y_test[i]:
                right_count += 1
        #把真实值与预测值做比较，返回模型的准确率
        return right_count / len(X_test)


def get_datasets():
    #获取数据
    x, y = datasets.load_breast_cancer(return_X_y=True)
    # 归一化
    std = StandardScaler()
    X_norm  = std.fit_transform(x)

    X_train = X_norm[:int(len(X_norm)*0.7)]
    X_test = X_norm[int(len(X_norm)*0.7):]
    y_train = y[:int(len(X_norm)*0.7)]
    y_test = y[int(len(X_norm)*0.7):]

    y_train[y_train == 0] = -1
    y_test[y_test == 0] = -1

    return X_train,y_train,X_test,y_test
    
if __name__ == '__main__':
    X_train,y_train,X_test,y_test = get_datasets()
    svm = SVM(max_iter=30)
    svm.fit(X_train, y_train)
    print("acccucy:{:.4f}".format(svm.score(X_test, y_test)))

四、实验结果

模型准确率为97.08%

在实现SMO算法过程中，查阅了很多资料也学习了别人的很多优秀代码，但是这个程序的准确率并非一开始就能达到97%，最开是的准确率在64%左右。经过对函数、数据格式的不断优化才到达了现在的效果。尽管如此，对于支持向量机依然似懂非懂，只可意会，以下是经过本次实验粗浅的认识和收获作为实验总结。