机器学习实战第六章支持向量机照葫芦画瓢算法实践-CSDN博客

本文链接：https://blog.csdn.net/u011481752/article/details/71697533

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： ${w}^{{T}}x + b$

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： $| w T A + b | / ∥ w ∥$ $\vert {w}^{T}A+b\vert /\Vert w \Vert$

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：

argmax w, b {min i (l a b l e \cdot (w T x + b)) \cdot 1 ∥ w ∥}

$\mathop{\rm argmax}_{w,b}\{\min_i(lable·({w}^{T}x+b))·\frac{1}{\Vert w\Vert}\}$

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:

max α [\sum i = 1 m α - 1 2 \sum i, j = 1 m l a b e l (i) \cdot l a b e l (j) \cdot α i \cdot α j ⟨ x (i), y (j) ⟩]

$\mathop{\rm max}_\alpha[ \sum_{i=1}^m\alpha-\frac{1}{2}\sum_{i,j=1}^m label^{(i)}·label^{(j)}·\alpha_i·\alpha_j\left< x^{(i)},y^{(j)} \right>]$

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 \geq α \geq 0, 和 \sum i - 1 m α i \cdot l a b e j (i) = 0

$C\ge\alpha\ge0,和\sum_{i-1}^m\alpha_i·labej^{(i)} = 0$ 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 $\alpha和b$ ，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 $\alpha$ 进行优化处理。一旦找到一对合适的 $\alpha$ ，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 $\alpha$ 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 $\alpha$ 值，即通过最大化步长的方式来获得第二个 $\alpha$ 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)