在当前数据挖掘和机器学习领域,最为热门的话题莫过于SVM和Boosting方法了。只要是涉及到这两个主题,那么论文就会容易被杂志和会议接受了。看来不管做什么,都讲究眼球效应啊。搞研究其实也有点类似超级女声,呵呵。
以前我的论文中用的SVM Code都来自于台湾的林智仁教授的LibSVM。真的是佩服有些大家,自己做出了重要的发现和成果,想到的不是把自己的成果保密起来(像C4.5一样),让自己独享自己的成果;而是让自己的成果最大程度的被人所利用,给后来的研究人员打下一个坚实的基础。说实话,他的代码很好,用起来很方便,而且不同的语言版本实现都有,即使是对于初学者都很容易掌握。不过用的久了,我就想自己也实现SVM,现在的数学计算工具太多了,而且功能齐全,用起来方便。今天鼓捣了一会,终于用Matlab实现了第一个SVM。虽然比较简单,但是包含了大多数SVM的必要步骤。
这个实现是线性可分支持向量分类机,不考虑非线性分类引入核函数的情况,也不考虑推广条件下引入Penalty Loss的情况。
问题描述:平面上有如下点A = [1 1.5;2 1.5;3 1.5;4 1.5;1 0.5;2 0.5;3 0.5;4 0.5]及其对应的标号flag = [1 1 1 1 -1 -1 -1 -1];用SVM方法构造一个决策函数实现正确分类。
如果我们在二维坐标上描点,就会发现这是个很简单的线性可分问题。实现方法,用SVM 的对偶问题,转换为Matlab的有约束非线性规划问题。
构建m文件:
function f = ffsvm(x)
A = [1 1.5;2 1.5;3 1.5;4 1.5;1 0.5;2 0.5;3 0.5;4 0.5];
flag = [1 1 1 1 -1 -1 -1 -1];
for i=1:1:length(A)
for j=1:1:length(A)
normA(i,j) = A(i,:)*A(j,:)';
normFlag(i,j) = flag(1,i)*flag(1,j);
end
end
f = 0;
for i=1:1:length(A)
for j=1:1:length(A)
f = f + 1/2*(normA(i,j)*x(i)*x(j)*normFlag(i,j));
end
f = f - x(i);
end
在命令窗口输入:
Aeq = [1 1 1 1 -1 -1 -1 -1];
beq = 0;
lb = [ 0 0 0 0 0 0 0 0];
调用MatLab内置优化函数fmincon;