0. 介绍
支持向量机,support vector machines,SVM,是一种二分类模型。
- 策略: 间隔最大化。这等价于正则化的合页损失函数最小化问题。
- 学习算法: 序列最小最优化算法SMO
- 分类 线性可分支持向量机,线性支持向量机、非线性支持向量机。
1、线性可分支持向量机
- 特点: 训练数据线性可分;策略为硬间隔最大化;线性分类器。
模型 分类决策函数:
分类超平面:
定义超平面关于样本点
定义超平面关于样本点
几何距离是真正的点到面的距离。 定义所有样本点到面的距离的最小值:
间隔最大化:对训练集找到几何间隔最大的超平面,也就是充分大的确信度对训练数据进行分类。
以下通过最大间隔法和对偶法进行实现:
最大间隔法: 1)构造约束最优化函数
如果假设函数间隔
2)解约束函数,即获得超平面
对偶法: 对偶算法可以使得问题更容易求解,并且能自然引入核函数,推广非线性分类。 1、定义拉格朗日函数
优化目标:
2、求
得:
3、求
求
求解出
存在一个
因此,分类决策函数为:
总结
感知机模型的定义和SVM一样,但是两者的学习策略不同,感知机是误分类驱动,最小化误分点到超平面距离;SVM是最大化所有样本点到超平面的几何距离,也就是SVM是由与超平面距离最近的点决定的,这些点也称为支持向量。
2、线性支持向量机与软间隔最大化
- 特点: 训练数据近似可分;策略为软间隔最大化;线性分类器。
线性不可分指,某些样本点不能满足函数间隔
优化目标,一方面是使得间隔尽量大,另一方面使得误分点的个数尽量少。 当C趋于无穷大时,优化目标不允许误分点存在,从而过拟合; 当C趋于0时,只要求间隔越大越好,那么将无法得到有意义的解且算法不会收敛,即欠拟合。
学习算法:
1.构建凸二次规划问题:
2.求得
存在 $0<alpha_{j}^{*}
分类决策函数:
3、非线性支持向量机与核函数
- 特点: 训练数据线性不可分;学习策略为使用核技巧和软间隔最大化;非线性支持向量机。
思想: 使用非线性变换,把输入空间对应一个特征空间(希尔伯特空间),把非线性问题转换成线性问题;
核函数: 定义
正定核:
常用的核函数: 多项式核函数:
高斯核函数:
非线性支持向量分类机学习算法: (1)选取适当的核函数
求得最优解
(3)构建决策函数:
当
4、学习算法:序列最小最优化算法SMO
4.1 原理
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。 算法包括,求解两个变量二次规划和选择变量的启发式方法。
优化目标:
变量是拉格朗日乘子,一个变量
两个变量二次规划的求解方法
其中,
由于
由于,
如果
记未考虑
那么:
其中,
于是:
其中,
4.2 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(
KKT条件为:
(2)第二个变量的选择 第二个变量选择使得
其中,
(3)计算阈值b 和差值
(4)预测 根据决策函数:
可以获得预测样本的标签。
5、实践
下面代码实现有点问题,这里使用了 max_iter作为终止条件,实际上应该是,找到最不符合KKT条件的样本,然后,该样本和剩下样本中挑选一个符合|Ei - Ej|最大的样本,不断重复挑选第二个样本直到目标函数不下降。也就是说,这里是O(n^2)的复杂度。代码展示的是O(n*max_iter)的复杂度,不合理。
from sklearn import datasets
import numpy as np
class SVM:
def __init__(self, max_iter=100, kernel='linear'):
self.max_iter = max_iter
self._kernel = kernel
def init_args(self, features, labels):
# 样本数,特征维度
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])
# g(x) = sum_{j=1}^N {alpha_j*y_j*K(x_j,x)+b}
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
# E_i = g(x_i) - y_i
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)
# 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:
if self._KKT(i):
continue
# 内层循环,|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, features, labels):
self.init_args(features, labels)
for t in range(self.max_iter):
# train, 时间复杂度O(n)
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 #此处有修改,根据书上应该是E1 - E2,书上130-131页
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
def normalize(x):
return (x - np.min(x))/(np.max(x) - np.min(x))
def get_datasets():
# breast cancer for classification(2 classes)
X, y = datasets.load_breast_cancer(return_X_y=True)
# 归一化
X_norm = normalize(X)
X_train = X_norm[:int(len(X_norm)*0.8)]
X_test = X_norm[int(len(X_norm)*0.8):]
y_train = y[:int(len(X_norm)*0.8)]
y_test = y[int(len(X_norm)*0.8):]
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=200)
svm.fit(X_train, y_train)
print("acccucy:{:.4f}".format(svm.score(X_test, y_test)))
运行结果:
acccucy:0.6491
Q:为什么支持向量机不适合大规模数据? 这里,大规模数据指,样本数目和特征数目都很大。
A:个人理解: Linear核的SVM迭代一次时间复杂度
非线性核的SVM:使用非线性特征映射将低维特征映射到高维,使用核技巧计算高维特征之间的内积。
由于使用数据集的核矩阵K(
参考:
- 李航 统计学习方法;
- sklearn SVM;
- github lihang-code SVM;
- 支持向量机(SVM)是否适合大规模数据? - 知乎;
- Github kernel-svm/svm.py ;