支持向量机简要介绍
一些概念:
1.分隔超平面:在二维中直观来说就是将数据集分隔开来的直线,三维中则是一个平面。触类旁通。
2.超平面:分类的决策边界,分布在超平面一侧的所有数据都属于某个类别,另一侧属于另一个。
3.支持向量:离分隔超平面最近的那些点。
4.分类器(数据集)的间隔:数据集中所有点到分割面的最小间隔的两倍。
5.目标之一:选找到离分隔超平面最近的点,确保其离分隔面的距离尽可能的远。
6.分隔超平面的数学形式: wTx+b
7.二维平面上的点到分隔超平面的距离:任取一点A,则该点到分隔平面的法线长度:
|wTA+b|/∥w∥
8.新的目标:计算 w和b 。为此,必须找到具有最小间隔的数据点,也即支持向量。一旦找到具有最小间隔的数据点,接着再对该间隔点最大化。数学形式可表示为:
argmaxw,b{mini(lable⋅(wTx+b))⋅1∥w∥}
通过拉格朗日算子将上式化简(虽然我并不知道到底是怎么转化的。。。)有:
maxα[∑i=1mα−12∑i,j=1mlabel(i)⋅label(j)⋅αi⋅αj⟨x(i),y(j)⟩]
进一步我们引入软间隔项C(也称为松弛变量),使得允许有些数据点可以处于分割面错误的一侧,也即:
C≥α≥0,和∑i−1mαi⋅labej(i)=0
而这个常数C更具体来说是用于控制“最大化间隔”和“保证大部分店的函数间隔小于1.0”折两个目标的权重。
SMO算法:用于训练SVM
1.含义:Sequential Minimal Optimization(序列最小化),将大优化问题分解为多个小优化问题来求解。
2.目标:求出一系列的
α和b
,进而计算出权重向量
w
来得到分隔超平面。
3.工作原理: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。其中合适的定义是这两个
α
要在间隔边界外,且没有进行区间和处理。
4.优化办法:启发式选取第二个 α 值,即通过最大化步长的方式来获得第二个 α 值。
核函数
1.作用:将数据映射到高维空间,可以将其想象为一个接口,能把数据从某个很难处理的形式转换成另一个较容易处理的形式,也即在高维空间中解决线性问题,等价于在低维空间中解决非线性问题。
2.核技巧: kernel trick。将内机替换成核函数的方式,单纯的替换即可,无须简化。
3.常用核函数: RBF(径向基函数,高斯核),多项式核,线性核。
接下来的py代码里面实现了简易的纯暴力smo算法和基于启发式的smo算法,并测试了rbf核函数,并对手写识别问题的分类进行了再次的考证。
# -*- coding: utf-8 -*-
"""
照葫芦画瓢完成于2017.5.11 19:55
算法名称 : 支持向量机
作者:
zzt941006
"""
from numpy import *
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
def selectJrand(i,m):
j = i
while(j == i):
j = int(random.uniform(0,m))
return j
def clipAlpha(aj,H,L):
if aj > H:
aj = H
if L > aj:
aj = L
return aj
def smoSimple(dataMatIn, classLabels, C, toler, maxIter):
dataMatrix = mat(dataMatIn) # 100 * 2
labelMat = mat(classLabels).transpose() # 1 * 100
b = 0
m,n = shape(dataMatrix)
alphas = mat(zeros((m,1))) # 100 * 1
iter = 0
while (iter < maxIter):
alphaPairsChanged = 0#标志位用于判定这一对alpha是否已经优化
for i in range(m):
fXi = float(multiply(alphas,labelMat).T * (dataMatrix * dataMatrix[i,:].T)) + b #dataMatrix[i,:]取得是矩阵中第i行的所有元素
#multiply做的是元素间的点乘,需要两个矩阵维度一模一样,在此alphas,labelMat点乘后得到100 * 1 维度,转置后得到1 * 100
#而dataMatrix * dataMatrixp[i,:] 是整个矩阵乘以该矩阵的某一行的转置,所以最终维度是 100 * 1
#点乘矩阵转置维度变为1 * 100 在跟后者进行矩阵相乘,得到一个标量(1 * 1) 维度
#在此通过这一些列的计算获取fXi,用来代表我们预测的类别
Ei = fXi - float(labelMat[i])#与真实标签的误差计算,如果误差很大,就可以基于此对alpha值进行优化
if((labelMat[i] * Ei < -toler) and (alphas[i] < C)) or ((labelMat[i] * i > toler) and (alphas[i] > 0)):#调优检验
#不在边界上的点,且误差很大时,可以对值进行进一步的优化
j = selectJrand(i,m)
fXj = float(multiply(alphas,labelMat).T * (dataMatrix * dataMatrix[j,:].T)) + b #随机选取第二个alpha并计算
Ej = fXj - float(labelMat[j])
alphaIold = alphas[i].copy()
alphaJold = alphas[j].copy()#要用copy方法来赋值,这样可以让其有新的内存,否则无法发现改变
if(labelMat[i] != labelMat[j]):#边界调整,防止alpha[j] > C 或者 < 0
L = max(0, alphas[j] - alphas[i])
H = min(C, C + alphas[j] - alphas[i])
else:
L = max(0, alphas[i] + alphas[j] - C)
H = min(C, alphas[j] + alphas[i])
if L == H : print "L == H"; continue #相等则不做改变,进入下一次循环
eta = 2.0 * dataMatrix[i,:] * dataMatrix[j,:].T - dataMatrix[i,:] * dataMatrix[i,:].T - \
dataMatrix[j,:] * dataMatrix[j,:].T #alpha[j]的最优修改量
if eta >= 0: print "eta >= 0"; continue;
alphas[j] -= labelMat[j] * (Ei - Ej) / eta #更新alpha[j]
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]) #更新alpha[i],修改量与j相同??? 方向相反显然
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[j]) : b = b1
elif (0 < alphas[j]) and (C > alphas[j]): b = b2
else : b = (b1 + b2) / 2.0 #更新常数项
alphaPairsChanged += 1
print "iter: %d i: %d, pairs changed %d" % (iter,i,alphaPairsChanged)
if(alphaPairsChanged == 0): iter += 1
else : iter = 0
print "iteration number: %d" % iter
return b,alphas
def kernelTrans(X,A,kTup):
m,n = shape(X)
K = mat(zeros((m,1)))
if kTup[0] == 'lin' : K = X * A.T
elif kTup[0] == 'rbf':
for j in range(m):
deltaRow = X[j,:] - A
K[j] = deltaRow * deltaRow.T
K = exp(K/(-1 * kTup[1]**2))
else: raise NameError('Houston We Have a Problem -- That Kernel is not recognized')
return K
class optStruct: #自己建立一个数据结构来保存所有重要的值,因此实例化了一个对象,不过只是作为一个数据结构来使用对象
def __init__(self,dataMatIn,classLabels,C,toler,kTup):
self.X = dataMatIn
self.labelMat = classLabels
self.C = C
self.tol = toler
self.m = shape(dataMatIn)[0]
self.alphas = mat(zeros((self.m,1)))
self.b = 0
self.eCache = mat(zeros((self.m,2))) # 误差缓存
self.K = mat(zeros((self.m,self.m)))
for i in range(self.m):
self.K[:,i] = kernelTrans(self.X,self.X[i,:],kTup) # 调用该函数,对矩阵K进行填充
def calcEk(oS,k):
fXk = float(multiply(oS.alphas,oS.labelMat).T * oS.K[:,k] + oS.b)
Ek = fXk - float(oS.labelMat[k])
return Ek
def selectJ(i,oS,Ei):
maxK = -1
maxDeltaE = 0
Ej = 0
oS.eCache[i] = [1,Ei]
validEcacheList = nonzero(oS.eCache[:,0].A)[0] #构建一个标志位的非零表,返回非零E值所对应的alpha表
if (len(validEcacheList)) > 1:
for k in validEcacheList:
if k == i : continue
Ek = calcEk(oS,k)
deltaE = abs(Ei - Ek)
if (deltaE > maxDeltaE):
maxK = k
maxDeltaE = deltaE
Ej = Ek
return maxK,Ej
else :
j = selectJrand(i,oS.m)
Ej = calcEk(oS,j)
return j,Ej
def updateEk(oS,k):
Ek = calcEk(oS,k)
oS.eCache[k] = [1,Ek]
def innerL(i,oS):
Ei = calcEk(oS,i)
if((oS.labelMat[i] * Ei < -oS.tol) and (oS.alphas[i] < oS.C)) or ((oS.labelMat[i] * Ei > oS.tol) and (oS.alphas[i] > 0)):
j,Ej = selectJ(i,oS,Ei)
alphaIold = oS.alphas[i].copy()
alphaJold = oS.alphas[j].copy()
if(oS.labelMat[i] != oS.labelMat[j]):
L = max(0,oS.alphas[j] - oS.alphas[i])
H = min(oS.C,oS.C + oS.alphas[j] - oS.alphas[i])
else:
L = max(0,oS.alphas[j] + oS.alphas[i] - oS.C)
H = min(oS.C,oS.alphas[j] + oS.alphas[i])
if L == H : print "L==H";return 0
eta = 2.0 * oS.K[i,j] - oS.K[i,i] - oS.K[j,j]
if eta >= 0 : print "eta >= 0"; return 0
oS.alphas[j] -= oS.labelMat[j] * (Ei - Ej) / eta
oS.alphas[j] = clipAlpha(oS.alphas[j],H,L)
updateEk(oS,j)
if(abs(oS.alphas[j] - alphaJold) < 0.00001):
print "j not moving enouth"; return 0
oS.alphas[i] += oS.labelMat[j] * oS.labelMat[i] * (alphaJold - oS.alphas[j])
updateEk(oS,i)
b1 = oS.b - Ei- oS.labelMat[i]*(oS.alphas[i]-alphaIold)*oS.K[i,i] - oS.labelMat[j]*(oS.alphas[j]-alphaJold)*oS.K[i,j]
b2 = oS.b - Ej- oS.labelMat[i]*(oS.alphas[i]-alphaIold)*oS.K[i,j]- oS.labelMat[j]*(oS.alphas[j]-alphaJold)*oS.K[j,j]
if (0 < oS.alphas[i]) and (oS.C > oS.alphas[i]): oS.b = b1
elif (0 < oS.alphas[j]) and (oS.C > oS.alphas[j]): oS.b = b2
else: oS.b = (b1 + b2)/2.0
return 1
else: return 0
def smoP(dataMatIn,classLabels,C,toler,maxIter,kTup = ('lin',0)):
oS = optStruct(mat(dataMatIn),mat(classLabels).transpose(),C,toler,kTup)
iter = 0
entireSet = True
alphaPairsChanged = 0
while(iter < maxIter) and ((alphaPairsChanged > 0) or (entireSet)):
alphaPairsChanged = 0
if entireSet:
for i in range(oS.m):
alphaPairsChanged += innerL(i,oS)
print "fullSet, iter: %d i : %d,pairs changed %d" % (iter,i,alphaPairsChanged)
iter += 1
else:
nonBoundIs = nonzero((oS.alphas.A > 0) * (oS.alphas.A < C))[0]
for i in nonBoundIs:
alphaPairsChanged += innerL(i,oS)
print "non-bound,iter: %d i: %d, pairs changed %d" % (iter,i,alphaPairsChanged)
iter += 1
if entireSet: entireSet = False #toggle entire set loop
elif (alphaPairsChanged == 0): entireSet = True
print "iteration number: %d" % iter
return oS.b,oS.alphas
def calcWs(alphas,dataArr,classLabels):
X = mat(dataArr)
labelMat = mat(classLabels).transpose()
m,n = shape(X)
w = zeros((n,1))
for i in range(m):
w += multiply(alphas[i] * labelMat[i],X[i,:].T) #大部分alpha为零向量,因此非零向量即为支持向量
return w
def testRbf(k1 = 1.30):
dataArr,labelArr = loadDataSet('testSetRBF.txt')
b,alphas = smoP(dataArr,labelArr,200,0.0001,10000,('rbf',k1))
datMat = mat(dataArr)
labelMat =mat(labelArr).transpose()
svInd = nonzero(alphas.A > 0)[0]
sVs = datMat[svInd]
labelSV = labelMat[svInd]
print "there ar %d Support Vectors" % shape(sVs)[0]
m,n = shape(datMat)
errorCount = 0
for i in range(m):
kernelEval = kernelTrans(sVs,datMat[i,:],('rbf',k1))
predict = kernelEval.T * multiply(labelSV,alphas[svInd]) + b
if sign(predict) != sign(labelArr[i]): errorCount += 1
print "the training error rate is: %f" % (float(errorCount) / m)
dataArr,labelArr = loadDataSet('testSetRBF2.txt')
b,alphas = smoP(dataArr,labelArr,200,0.0001,10000,('rbf',k1))
datMat = mat(dataArr)
labelMat =mat(labelArr).transpose()
svInd = nonzero(alphas.A > 0)[0]
sVs = datMat[svInd]
labelSV = labelMat[svInd]
print "there ar %d Support Vectors" % shape(sVs)[0]
m,n = shape(datMat)
errorCount = 0
for i in range(m):
kernelEval = kernelTrans(sVs,datMat[i,:],('rbf',k1))
predict = kernelEval.T * multiply(labelSV,alphas[svInd]) + b
if sign(predict) != sign(labelArr[i]): errorCount += 1
print "the training error rate is: %f" % (float(errorCount) / m)
def img2vector(filename):
returnVect = zeros((1,1024));#将32*32的二进制图像转化为1*1024维度的矩阵
fr = open(filename)
for i in range(32):
lineStr = fr.readline()
# print lineStr
for j in range(32):
returnVect[0,32*i+j] = int(lineStr[j])#第一行为0-31 第二行加在后面为32-63....直到第32行的32个数字映射为 992-1023
return returnVect
def loadImapge(dirName):
from os import listdir
hwLabels = []
trainingFileList = listdir(dirName)
m = len(trainingFileList)
trainingMat = zeros((m,1024))
for i in range(m):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('_')[0]
classNumStr = int(fileStr.split('_')[0])
if classNumStr == 9:hwLabels.append(-1)
else: hwLabels.append(1)
trainingMat[i,:] = img2vector('%s/%s' %(dirName,fileNameStr))
return trainingMat,hwLabels
def testDigits(kTup = ('rbf',10)):
dataArr,labelArr = loadImages('trainingDigits')
b,alphas = smoP(dataArr, labelArr, 200, 0.0001, 10000, kTup)
datMat=mat(dataArr); labelMat = mat(labelArr).transpose()
svInd=nonzero(alphas.A>0)[0]
sVs=datMat[svInd]
labelSV = labelMat[svInd];
print "there are %d Support Vectors" % shape(sVs)[0]
m,n = shape(datMat)
errorCount = 0
for i in range(m):
kernelEval = kernelTrans(sVs,datMat[i,:],kTup)
predict=kernelEval.T * multiply(labelSV,alphas[svInd]) + b
if sign(predict)!=sign(labelArr[i]): errorCount += 1
print "the training error rate is: %f" % (float(errorCount)/m)
dataArr,labelArr = loadImages('testDigits')
errorCount = 0
datMat=mat(dataArr); labelMat = mat(labelArr).transpose()
m,n = shape(datMat)
for i in range(m):
kernelEval = kernelTrans(sVs,datMat[i,:],kTup)
predict=kernelEval.T * multiply(labelSV,alphas[svInd]) + b
if sign(predict)!=sign(labelArr[i]): errorCount += 1
print "the test error rate is: %f" % (float(errorCount)/m)