转载:这位大神写的太好了,为防止原文失效,简单整理了一下
原地址
目录
三:代码实现(一)SMO中的辅助函数
(一)加载数据集
(二)随机选取一个J值,作为α_2的下标索引
(三)根据关于α_1与α_2的优化问题对应的约束问题分析,对α进行截取约束
四:代码实现(二)SMO中的支持函数
(一)定义一个数据结构,用于保存所有的重要值
(二)计算每个样本点k的Ek值,就是计算误差值=预测值-标签值
(三)重点:内循环的启发式方法,获取最大差值|Ei-Ej|对应的Ej的索引J
(四)实现更新Ek操作
五:代码实现(三)SMO中的内循环函数
外循环是要找违背KKT条件最严重的样本点(每个样本点对应一个α),这里我们将外循环的该判别条件放入内循环中考虑。
(一)补充违背KKT条件选取
(二)分析0<αi
(三)软间隔分析(同上)
(四)代码分析
(六)分析内循环中η值的性质
(五)代码实现
六:代码实现(四)SMO中的外循环函数
(一)交替遍历
(二)代码实现
七:根据α实现求解权重W值
(一)公式
(二)代码实现
八:测试SMO算法的实现
九:绘制图像和支持向量
(一)代码实现
(二)图像显示
十:全部代码
三:代码实现(一)SMO中的辅助函数
(一)加载数据集
import numpy as np
import matplotlib.pyplot as plt
#一:SMO算法中的辅助函数
#加载数据集
def loadDataSet(filename):
dataSet = np.loadtxt(filename)
m,n = dataSet.shape
data_X = dataSet[:,0:n-1]
data_Y = dataSet[:,n-1]
return data_X,data_Y
(二)随机选取一个J值,作为α_2的下标索引
#随机选取一个数J,为后面内循环选取α_2做辅助(如果α选取不满足条件,就选择这个方法随机选取)
def selectJrand(i,m): #主要就是根据α_1的索引i,从所有数据集索引中随机选取一个作为α_2的索引
j = i
while j==i:
j = np.int(np.random.uniform(0,m)) #从0~m中随机选取一个数,是进行整数化的
print("random choose index for α_2:%d"%(j))
return j #由于这里返回随机数,所以后面结果 可能导致不同
(三)根据关于α_1与α_2的优化问题对应的约束问题分析,对α进行截取约束
def clipAlpha(aj,H,L): #根据我们的SVM算法中的约束条件的分析,我们对获取的aj,进行了截取操作
if aj > H:
aj = H
if aj < L:
aj = L
return aj
四:代码实现(二)SMO中的支持函数
(一)定义一个数据结构,用于保存所有的重要值
#首先我们定义一个数据结构(类),来保存所有的重要值
class optStruct:
def __init__(self,data_X,data_Y,C,toler): #输入参数分别是数据集、类别标签、常数C用于软间隔、和容错率toler
self.X = data_X
self.label = data_Y
self.C = C
self.toler = toler #就是软间隔中的ε,调节最大间隔大小
self.m = data_X.shape[0]
self.alphas = np.zeros(self.m) #存放每个样本点的α值
self.b = 0 #存放阈值
self.eCache = np.zeros((self.m,2)) #用于缓存误差,每个样本点对应一个Ei值,第一列为标识符,标志是否为有效值,第二列存放有效值
(二)计算每个样本点k的Ek值,就是计算误差值=预测值-标签值
#计算每个样本点k的Ek值,就是计算误差值=预测值-标签值
def calcEk(oS,k):
# 根据西瓜书6.24,我们可以知道预测值如何使用α值进行求解
fxk = np.multiply(oS.alphas,oS.label).T@(oS.X@oS.X[k,:])+oS.b #np.multiply之后还是(m,1),(oS.X@oS.X[k,:])之后是(m,1),通过转置(1,m)@(m,1)-->实数后+b即可得到预测值fx
#获取误差值Ek
Ek = fxk - oS.label[k]
return Ek
(三)重点:内循环的启发式方法,获取最大差值|Ei-Ej|对应的Ej的索引J
#内循环的启发式方法,获取最大差值|Ei-Ej|对应的Ej的索引J
def selectJ(i,oS,Ei): #注意我们要传入第一个α对应的索引i和误差值Ei,后面会用到
maxK = -1 #用于保存临时最大索引
maxDeltaE = 0 #用于保存临时最大差值--->|Ei-Ej|
Ej = 0 #保存我们需要的Ej误差值
#重点:这里我们是把SMO最后一步(根据最新阈值b,来更新Ei)提到第一步来进行了,所以这一步是非常重要的
oS.eCache[i] = [1,Ei]
#开始获取各个Ek值,比较|Ei-Ej|获取Ej的所有
#获取所有有效的Ek值对应的索引
validECacheList = np.where(oS.eCache[:,0]!=0)[0] #根据误差缓存中第一列非0,获取对应的有效误差值
if len(validECacheList) > 1: #如果有效误差缓存长度大于1(因为包括Ei),则正常进行获取j值,否则使用selectJradn方法选取一个随机J值
for k in validECacheList:
if k == i: #相同则不处理
continue
#开始计算Ek值,进行对比,获取最大差值
Ek = calcEk(oS,k)
deltaE = abs(Ei - Ek)
if deltaE > maxDeltaE: #更新Ej及其索引位置
maxK = k
maxDeltaE = deltaE
Ej = Ek
return maxK,Ej #返回我们找到的第二个变量α_2的位置
else: #没有有效误差缓存,则随机选取一个索引,进行返回
j = selectJrand(i,oS.m)
Ej = calcEk(oS,j)
return j,Ej
(四)实现更新Ek操作
#实现更新Ek操作,因为除了最后我们需要更新Ei之外,我们在内循环中计算α_1与α_2时还是需要用到E1与E2,
#因为每次的E1与E2由于上一次循环中更新了α值,所以这一次也是需要更新E1与E2值,所以单独实现一个更新Ek值的方法还是有必要的
def updateEk(oS,k):
Ek = calcEk(oS,k)
oS.eCache[k] = [1,Ek] #第一列1,表示为有效标识
五:代码实现(三)SMO中的内循环函数
外循环是要找违背KKT条件最严重的样本点(每个样本点对应一个α),这里我们将外循环的该判别条件放入内循环中考虑。
(一)补充违背KKT条件选取
对于SVM中的KKT条件如下:
一般来说,我们首先选择违反0<αi<C⇒yig(xi)=1这个条件的点。
如果这些支持向量都满足KKT条件,再选择违反αi=0⇒yig(xi)≥1和 αi=C⇒yig(xi)≤1的点。
(二)分析0<αi<C⇒yig(xi)=1条件
对于上面违反KKT条件实际应用时的两种情况(或状态):
-
0<αi⇒yig(xi)>1违背KKT条件
之所以不考虑α<c的情况,因为当yig(xi)>1时,必然出现α≠c,又因为0<α<c,所以我们只用考虑0<α⇒yig(xi)>1即可。 -
αi <C⇒yig(xi)<1违背KKT条件
之所以不考虑α>0的情况,因为当yig(xi)<1时,必然出现α≠0,又因为0<α<c,所以我们只用考虑α<C⇒yig(xi)<1即可。
(三)软间隔分析(同上)
相比较于硬间隔状态,多了一个松弛变量,所以我们考虑的时候加上该松弛变量即可。
- 0<αi⇒yig(xi)>1+ξ违背KKT条件
- αi <C⇒yig(xi)<1-ξ违背KKT条件
(四)代码分析
if ((oS.label[i]*Ei < -oS.toler) and (oS.alphas[i] < oS.C)) or\
((oS.label[i]*Ei > oS.toler) and (oS.alphas[i] > 0)): #注意:对于硬间隔,我们直接和1对比,对于软间隔,我们要和1 +或- ε对比
这里的代码和我们上面分析的违背KKT条件有所不同,所以下面进行推导:
主要看Ei的公式:Ei=g(xi)-yi
如(二)(三)分析可以知道,我们将进入优化的条件(即违背KKT条件)写成代码中形式:
(yiEi<-toler且α<C)或(yiEi>toler且α>C)
条件中yiEi=yi(g(xi)-yi)=yig(xi)-yi2
由于yi=±1,所以yi2=1
最后,我们就可以将代码中的原条件化简为:
(yig(xi)<1-toler且α<C)或(yig(xi)>1+toler且α>C)
即我们在(三)中的形式
(五)分析内循环中η值的性质
#计算η值=k_11+k_22-2k_12
eta = oS.X[i]@oS.X[i] + oS.X[j]@oS.X[j] - 2.0*oS.X[i]@oS.X[j] #eta性质可以知道是>=0的,所以我们只需要判断是否为0即可
if eta <= 0:
print("eta <= 0")
return 0
由下述η化简可以知道:
η的取值范围必然是η>=0。
又因为我们在推导SVM算法中知道:
当η=0时,我们要求解的α无法更新,所以,我们只需要η>0即可。
所以,代码中判断η<=0时,不符合条件,退出即可。
(六)代码实现
#三:实现内循环函数,相比于外循环,这里包含了主要的更新操作
def innerL(i,oS): #由外循环提供i值(具体选取要违背kkT<这里实现>,使用交替遍历<外循环中实现>)---提供α_1的索引
Ei = calcEk(oS,i) #计算E1值,主要是为了下面KKT条件需要使用到
#如果下面违背了KKT条件,则正常进行α、Ek、b的更新,重点:后面单独说明下面是否满足违反KKT条件
if ((oS.label[i]*Ei < -oS.toler) and (oS.alphas[i] < oS.C)) or\
((oS.label[i]*Ei > oS.toler) and (oS.alphas[i] > 0)): #注意:对于硬间隔,我们直接和1对比,对于软间隔,我们要和1 +或- ε对比
#开始在内循环中,选取差值最大的α_2下标索引
j,Ej = selectJ(i,oS,Ei)
#因为后面要修改α_1与α_2的值,但是后面修改阈值b的时候需要用到新旧两个值,所以我们需要在更新α值之前进行保存旧值
alphaIold = oS.alphas[i].copy()
alphaJold = oS.alphas[j].copy()
#分析约束条件(是对所有α都适用),一会对我们新的α_2进行截取纠正,注意:α_1是由α_2推出的,所以不需要进行验证了。
#如果y_1!=y_2异号时:
if oS.label[i] != oS.label[j]:
L = max(0,alphaJold-alphaIold)
H = min(oS.C,oS.C+alphaJold-alphaIold)
else: #如果y_1==y_2同号时
L = max(0,alphaJold+alphaIold-oS.C)
H = min(oS.C,alphaJold+alphaIold)
#上面就是将α_j调整到L,H之间
if L==H: #如果L==H,之间返回0,跳出这次循环,不进行改变(单值选择,没必要)
return 0
#计算η值=k_11+k_22-2k_12
eta = oS.X[i]@oS.X[i] + oS.X[j]@oS.X[j] - 2.0*oS.X[i]@oS.X[j] #eta性质可以知道是>=0的,所以我们只需要判断是否为0即可
if eta <= 0:
print("eta <= 0")
return 0
#当上面所有条件都满足以后,我们开始正式修改α_2值,并更新对应的Ek值
oS.alphas[j] += oS.label[j]*(Ei-Ej)/eta
oS.alphas[j] = clipAlpha(oS.alphas[j],H,L)
updateEk(oS,j)
#查看α_2是否有足够的变化量,如果没有足够变化量,我们直接返回,不进行下面更新α_1,注意:因为α_2变化量较小,所以我们没有必要非得把值变回原来的旧值
if abs(oS.alphas[j] - alphaJold) < 0.00001:
print("J not move enough")
return 0
#开始更新α_1值,和Ek值
oS.alphas[i] += oS.label[i]*oS.label[j]*(alphaJold-oS.alphas[j])
updateEk(oS,i)
#开始更新阈值b,正好使用到了上面更新的Ek值
b1 = oS.b - Ei - oS.label[i] * (oS.alphas[i] - alphaIold) * oS.X[i] @ oS.X[i] - oS.label[j] * (
oS.alphas[j] - alphaJold) * oS.X[i] @ oS.X[j]
b2 = oS.b - Ej - oS.label[i] * (oS.alphas[i] - alphaIold) * oS.X[i] @ oS.X[j] - oS.label[j] * (
oS.alphas[j] - alphaJold) * oS.X[j] @ oS.X[j]
#根据统计学习方法中阈值b在每一步中都会进行更新,
#1.当新值alpha_1不在界上时(0<alpha_1<C),b_new的计算规则为:b_new=b1
#2.当新值alpha_2不在界上时(0 < alpha_2 < C),b_new的计算规则为:b_new = b2
#3.否则当alpha_1和alpha_2都不在界上时,b_new = 1/2(b1+b2)
if oS.alphas[i] > 0 and oS.alphas[i] < oS.C:
oS.b = b1
elif oS.alphas[j] > 0 and oS.alphas[j] < oS.C:
oS.b = b2
else:
oS.b = 1/2*(b1+b2)
#注意:这里我们应该根据b_new更新一次Ei,但是我们这里没有写,因为我们将这一步提前到了最开始,即selectJ中
#以上全部更新完毕,开始返回标识
return 1
return 0 #没有违背KKT条件
六:代码实现(四)SMO中的外循环函数
(一)交替遍历
交替遍历一种方式是在所有的数据集上进行单遍扫描,另一种是在非边界上(不在边界0或C上的值)进行单遍扫描
交替遍历:
交替是通过一个外循环来选择第一个alpha值的,并且其选择过程会在两种方式之间交替:
一种方式是在所有数据集上进行单遍扫描,
另一种方式则是在非边界alpha中实现单遍扫描,所谓非边界alpha指的是那些不等于边界0或C的alpha值。
对整个数据集的扫描相当容易,
而实现非边界alpha值的扫描时,首先需要建立这些alpha值的列表,然后对这个表进行遍历。
同时,该步骤会跳过那些已知不变的alpha值。
(二)代码实现
#四:开始外循环,由于我们在内循环中实现了KKT条件的判断,所以这里我们只需要进行交替遍历即可
#交替遍历一种方式是在所有的数据集上进行单遍扫描,另一种是在非边界上(不在边界0或C上的值)进行单遍扫描
# 交替遍历:
# 交替是通过一个外循环来选择第一个alpha值的,并且其选择过程会在两种方式之间交替:
# 一种方式是在所有数据集上进行单遍扫描,
# 另一种方式则是在非边界alpha中实现单遍扫描,所谓非边界alpha指的是那些不等于边界0或C的alpha值。
# 对整个数据集的扫描相当容易
# 而实现非边界alpha值的扫描时,首先需要建立这些alpha值的列表,然后对这个表进行遍历。
# 同时,该步骤会跳过那些已知不变的alpha值。
def smoP(data_X,data_Y,C,toler,maxIter):
oS = optStruct(data_X,data_Y,C,toler)
iter = 0
entireSet = True #标志是否应该遍历整个数据集
alphaPairsChanged = 0 #标志一次循环中α更新的次数
#开始进行迭代
#当iter >= maxIter或者((alphaPairsChanged == 0) and not entireSet)退出循环
#前半个判断条件很好理解,后面的判断条件中,表示上一次循环中,是在整个数据集中遍历,并且没有α值更新过,则退出
while iter < maxIter and ((alphaPairsChanged > 0) or entireSet):
alphaPairsChanged = 0
if entireSet: #entireSet是true,则在整个数据集上进行遍历
for i in range(oS.m):
alphaPairsChanged += innerL(i,oS) #调用内循环
print("full dataset, iter: %d i:%d,pairs changed:%d"%(iter,i,alphaPairsChanged))
iter += 1 #无论是否更新过,我们都计算迭代一次
else: #遍历非边界值
nonBounds = np.where((oS.alphas>0) & (oS.alphas<C))[0] #获取非边界值中的索引
for i in nonBounds: #开始遍历
alphaPairsChanged += innerL(i,oS)
print("non bound, iter: %d i:%d,pairs changed:%d"%(iter,i,alphaPairsChanged))
iter += 1 #无论是否更新过,我们都计算迭代一次
#下面实现交替遍历
if entireSet:
entireSet = False
elif alphaPairsChanged == 0: #如果是在非边界上,并且α更新过。则entireSet还是False,下一次还是在非边界上进行遍历。可以认为这里是倾向于非边界遍历,因为非边界遍历的样本更符合内循环中的违反KKT条件
entireSet = True
print("iteration number: %d"%iter)
return oS.b,oS.alphas
七:根据α实现求解权重W值
(二)代码实现
def calcWs(alphas,data_X,data_Y):
#根据西瓜书6.37求W
m,n = data_X.shape
w = np.zeros(n)
for i in range(m):
w += alphas[i]*data_Y[i]*data_X[i].T
return w
八:测试SMO算法的实现
data_X,data_Y = loadDataSet("testSet.txt")
C = 0.6
toler = 0.001
maxIter = 40
b,alphas = smoP(data_X,data_Y,C,toler,maxIter)
ws = calcWs(alphas,data_X,data_Y) #含有随机操作,所以有多种可能性结果
print(ws)
test = data_X[0]@ws+b
print(test)
test = data_X[2]@ws+b
print(test)
test = data_X[1]@ws+b
print(test)
九:绘制图像和支持向量
(一)代码实现
#绘制图像
def plotFigure(weights, b,toler,data_X,data_Y):
m,n = data_X.shape
# 进行数据集分类操作
cls_1x = data_X[np.where(data_Y==1)]
cls_1y = data_Y[np.where(data_Y==1)]
cls_2x = data_X[np.where(data_Y!=1)]
cls_2y = data_Y[np.where(data_Y!=1)]
plt.scatter(cls_1x[:,0].flatten(), cls_1x[:,1].flatten(), s=30, c='r', marker='s')
plt.scatter(cls_2x[:,0].flatten(), cls_2x[:,1].flatten(), s=30, c='g')
# 画出 SVM 分类直线
xx = np.arange(0, 10, 0.1)
# 由分类直线 weights[0] * xx + weights[1] * yy1 + b = 0 易得下式
yy1 = (-weights[0] * xx - b) / weights[1]
# 由分类直线 weights[0] * xx + weights[1] * yy2 + b + 1 = 0 易得下式
yy2 = (-weights[0] * xx - b - 1 - toler) / weights[1]
# 由分类直线 weights[0] * xx + weights[1] * yy3 + b - 1 = 0 易得下式
yy3 = (-weights[0] * xx - b + 1 + toler) / weights[1]
plt.plot(xx, yy1.T)
plt.plot(xx, yy2.T)
plt.plot(xx, yy3.T)
# 画出支持向量点
for i in range(m):
if alphas[i] > 0.0: #注意:只要α>0,由KKT条件(西瓜书6.41)可以知道,该数据点是落在最大间隔边界处
plt.scatter(data_X[i, 0], data_X[i, 1], s=150, c='none', alpha=0.7, linewidth=1.5, edgecolor='red')
plt.xlim((-2, 12))
plt.ylim((-8, 6))
plt.show()
plotFigure(ws,b,toler,data_X,data_Y)
(二)图像显示
全部代码:
import numpy as np
import matplotlib.pyplot as plt
#一:SMO算法中的辅助函数
#加载数据集
def loadDataSet(filename):
dataSet = np.loadtxt(filename)
m,n = dataSet.shape
data_X = dataSet[:,0:n-1]
data_Y = dataSet[:,n-1]
return data_X,data_Y
#随机选取一个数J,为后面内循环选取α_2做辅助(如果α选取不满足条件,就选择这个方法随机选取)
def selectJrand(i,m): #主要就是根据α_1的索引i,从所有数据集索引中随机选取一个作为α_2的索引
j = i
while j==i:
j = np.int(np.random.uniform(0,m)) #从0~m中随机选取一个数,是进行整数化的
print("random choose index for α_2:%d"%(j))
return j #由于这里返回随机数,所以后面结果 可能导致不同
def clipAlpha(aj,H,L): #根据我们的SVM算法中的约束条件的分析,我们对获取的aj,进行了截取操作
if aj > H:
aj = H
if aj < L:
aj = L
return aj
#二:SMO的支持函数
#首先我们定义一个数据结构(类),来保存所有的重要值
class optStruct:
def __init__(self,data_X,data_Y,C,toler): #输入参数分别是数据集、类别标签、常数C用于软间隔、和容错率toler
self.X = data_X
self.label = data_Y
self.C = C
self.toler = toler #就是软间隔中的ε,调节最大间隔大小
self.m = data_X.shape[0]
self.alphas = np.zeros(self.m) #存放每个样本点的α值
self.b = 0 #存放阈值
self.eCache = np.zeros((self.m,2)) #用于缓存误差,每个样本点对应一个Ei值,第一列为标识符,标志是否为有效值,第二列存放有效值
#计算每个样本点k的Ek值,就是计算误差值=预测值-标签值
def calcEk(oS,k):
# 根据西瓜书6.24,我们可以知道预测值如何使用α值进行求解
fxk = np.multiply(oS.alphas,oS.label).T@(oS.X@oS.X[k,:])+oS.b #np.multiply之后还是(m,1),(oS.X@oS.X[k,:])之后是(m,1),通过转置(1,m)@(m,1)-->实数后+b即可得到预测值fx
#获取误差值Ek
Ek = fxk - oS.label[k]
return Ek
#内循环的启发式方法,获取最大差值|Ei-Ej|对应的Ej的索引J
def selectJ(i,oS,Ei): #注意我们要传入第一个α对应的索引i和误差值Ei,后面会用到
maxK = -1 #用于保存临时最大索引
maxDeltaE = 0 #用于保存临时最大差值--->|Ei-Ej|
Ej = 0 #保存我们需要的Ej误差值
#重点:这里我们是把SMO最后一步(根据最新阈值b,来更新Ei)提到第一步来进行了,所以这一步是非常重要的
oS.eCache[i] = [1,Ei]
#开始获取各个Ek值,比较|Ei-Ej|获取Ej的所有
#获取所有有效的Ek值对应的索引
validECacheList = np.where(oS.eCache[:,0]!=0)[0] #根据误差缓存中第一列非0,获取对应的有效误差值
if len(validECacheList) > 1: #如果有效误差缓存长度大于1(因为包括Ei),则正常进行获取j值,否则使用selectJradn方法选取一个随机J值
for k in validECacheList:
if k == i: #相同则不处理
continue
#开始计算Ek值,进行对比,获取最大差值
Ek = calcEk(oS,k)
deltaE = abs(Ei - Ek)
if deltaE > maxDeltaE: #更新Ej及其索引位置
maxK = k
maxDeltaE = deltaE
Ej = Ek
return maxK,Ej #返回我们找到的第二个变量α_2的位置
else: #没有有效误差缓存,则随机选取一个索引,进行返回
j = selectJrand(i,oS.m)
Ej = calcEk(oS,j)
return j,Ej
#实现更新Ek操作,因为除了最后我们需要更新Ei之外,我们在内循环中计算α_1与α_2时还是需要用到E1与E2,
#因为每次的E1与E2由于上一次循环中更新了α值,所以这一次也是需要更新E1与E2值,所以单独实现一个更新Ek值的方法还是有必要的
def updateEk(oS,k):
Ek = calcEk(oS,k)
oS.eCache[k] = [1,Ek] #第一列1,表示为有效标识
#三:实现内循环函数,相比于外循环,这里包含了主要的更新操作
def innerL(i,oS): #由外循环提供i值(具体选取要违背kkT<这里实现>,使用交替遍历<外循环中实现>)---提供α_1的索引
Ei = calcEk(oS,i) #计算E1值,主要是为了下面KKT条件需要使用到
#如果下面违背了KKT条件,则正常进行α、Ek、b的更新,重点:后面单独说明下面是否满足违反KKT条件
if ((oS.label[i]*Ei < -oS.toler) and (oS.alphas[i] < oS.C)) or\
((oS.label[i]*Ei > oS.toler) and (oS.alphas[i] > 0)): #注意:对于硬间隔,我们直接和1对比,对于软间隔,我们要和1 +或- ε对比
#开始在内循环中,选取差值最大的α_2下标索引
j,Ej = selectJ(i,oS,Ei)
#因为后面要修改α_1与α_2的值,但是后面修改阈值b的时候需要用到新旧两个值,所以我们需要在更新α值之前进行保存旧值
alphaIold = oS.alphas[i].copy()
alphaJold = oS.alphas[j].copy()
#分析约束条件(是对所有α都适用),一会对我们新的α_2进行截取纠正,注意:α_1是由α_2推出的,所以不需要进行验证了。
#如果y_1!=y_2异号时:
if oS.label[i] != oS.label[j]:
L = max(0,alphaJold-alphaIold)
H = min(oS.C,oS.C+alphaJold-alphaIold)
else: #如果y_1==y_2同号时
L = max(0,alphaJold+alphaIold-oS.C)
H = min(oS.C,alphaJold+alphaIold)
#上面就是将α_j调整到L,H之间
if L==H: #如果L==H,之间返回0,跳出这次循环,不进行改变(单值选择,没必要)
return 0
#计算η值=k_11+k_22-2k_12
eta = oS.X[i]@oS.X[i] + oS.X[j]@oS.X[j] - 2.0*oS.X[i]@oS.X[j] #eta性质可以知道是>=0的,所以我们只需要判断是否为0即可
if eta <= 0:
print("eta <= 0")
return 0
#当上面所有条件都满足以后,我们开始正式修改α_2值,并更新对应的Ek值
oS.alphas[j] += oS.label[j]*(Ei-Ej)/eta
oS.alphas[j] = clipAlpha(oS.alphas[j],H,L)
updateEk(oS,j)
#查看α_2是否有足够的变化量,如果没有足够变化量,我们直接返回,不进行下面更新α_1,注意:因为α_2变化量较小,所以我们没有必要非得把值变回原来的旧值
if abs(oS.alphas[j] - alphaJold) < 0.00001:
print("J not move enough")
return 0
#开始更新α_1值,和Ek值
oS.alphas[i] += oS.label[i]*oS.label[j]*(alphaJold-oS.alphas[j])
updateEk(oS,i)
#开始更新阈值b,正好使用到了上面更新的Ek值
b1 = oS.b - Ei - oS.label[i] * (oS.alphas[i] - alphaIold) * oS.X[i] @ oS.X[i] - oS.label[j] * (
oS.alphas[j] - alphaJold) * oS.X[i] @ oS.X[j]
b2 = oS.b - Ej - oS.label[i] * (oS.alphas[i] - alphaIold) * oS.X[i] @ oS.X[j] - oS.label[j] * (
oS.alphas[j] - alphaJold) * oS.X[j] @ oS.X[j]
#根据统计学习方法中阈值b在每一步中都会进行更新,
#1.当新值alpha_1不在界上时(0<alpha_1<C),b_new的计算规则为:b_new=b1
#2.当新值alpha_2不在界上时(0 < alpha_2 < C),b_new的计算规则为:b_new = b2
#3.否则当alpha_1和alpha_2都不在界上时,b_new = 1/2(b1+b2)
if oS.alphas[i] > 0 and oS.alphas[i] < oS.C:
oS.b = b1
elif oS.alphas[j] > 0 and oS.alphas[j] < oS.C:
oS.b = b2
else:
oS.b = 1/2*(b1+b2)
#注意:这里我们应该根据b_new更新一次Ei,但是我们这里没有写,因为我们将这一步提前到了最开始,即selectJ中
#以上全部更新完毕,开始返回标识
return 1
return 0 #没有违背KKT条件
#四:开始外循环,由于我们在内循环中实现了KKT条件的判断,所以这里我们只需要进行交替遍历即可
#交替遍历一种方式是在所有的数据集上进行单遍扫描,另一种是在非边界上(不在边界0或C上的值)进行单遍扫描
# 交替遍历:
# 交替是通过一个外循环来选择第一个alpha值的,并且其选择过程会在两种方式之间交替:
# 一种方式是在所有数据集上进行单遍扫描,
# 另一种方式则是在非边界alpha中实现单遍扫描,所谓非边界alpha指的是那些不等于边界0或C的alpha值。
# 对整个数据集的扫描相当容易,
# 而实现非边界alpha值的扫描时,首先需要建立这些alpha值的列表,然后对这个表进行遍历。
# 同时,该步骤会跳过那些已知不变的alpha值。
def smoP(data_X,data_Y,C,toler,maxIter):
oS = optStruct(data_X,data_Y,C,toler)
iter = 0
entireSet = True #标志是否应该遍历整个数据集
alphaPairsChanged = 0 #标志一次循环中α更新的次数
#开始进行迭代
#当iter >= maxIter或者((alphaPairsChanged == 0) and not entireSet)退出循环
#前半个判断条件很好理解,后面的判断条件中,表示上一次循环中,是在整个数据集中遍历,并且没有α值更新过,则退出
while iter < maxIter and ((alphaPairsChanged > 0) or entireSet):
alphaPairsChanged = 0
if entireSet: #entireSet是true,则在整个数据集上进行遍历
for i in range(oS.m):
alphaPairsChanged += innerL(i,oS) #调用内循环
print("full dataset, iter: %d i:%d,pairs changed:%d"%(iter,i,alphaPairsChanged))
iter += 1 #无论是否更新过,我们都计算迭代一次
else: #遍历非边界值
nonBounds = np.where((oS.alphas>0) & (oS.alphas<C))[0] #获取非边界值中的索引
for i in nonBounds: #开始遍历
alphaPairsChanged += innerL(i,oS)
print("non bound, iter: %d i:%d,pairs changed:%d"%(iter,i,alphaPairsChanged))
iter += 1 #无论是否更新过,我们都计算迭代一次
#下面实现交替遍历
if entireSet:
entireSet = False
elif alphaPairsChanged == 0: #如果是在非边界上,并且α更新过。则entireSet还是False,下一次还是在非边界上进行遍历。可以认为这里是倾向于非边界遍历,因为非边界遍历的样本更符合内循环中的违反KKT条件
entireSet = True
print("iteration number: %d"%iter)
return oS.b,oS.alphas
def calcWs(alphas,data_X,data_Y):
#根据西瓜书6.37求W
m,n = data_X.shape
w = np.zeros(n)
for i in range(m):
w += alphas[i]*data_Y[i]*data_X[i].T
return w
#绘制图像
def plotFigure(weights, b,toler,data_X,data_Y):
m,n = data_X.shape
# 进行数据集分类操作
cls_1x = data_X[np.where(data_Y==1)]
cls_1y = data_Y[np.where(data_Y==1)]
cls_2x = data_X[np.where(data_Y!=1)]
cls_2y = data_Y[np.where(data_Y!=1)]
plt.scatter(cls_1x[:,0].flatten(), cls_1x[:,1].flatten(), s=30, c='r', marker='s')
plt.scatter(cls_2x[:,0].flatten(), cls_2x[:,1].flatten(), s=30, c='g')
# 画出 SVM 分类直线
xx = np.arange(0, 10, 0.1)
# 由分类直线 weights[0] * xx + weights[1] * yy1 + b = 0 易得下式
yy1 = (-weights[0] * xx - b) / weights[1]
# 由分类直线 weights[0] * xx + weights[1] * yy2 + b + 1 = 0 易得下式
yy2 = (-weights[0] * xx - b - 1 - toler) / weights[1]
# 由分类直线 weights[0] * xx + weights[1] * yy3 + b - 1 = 0 易得下式
yy3 = (-weights[0] * xx - b + 1 + toler) / weights[1]
plt.plot(xx, yy1.T)
plt.plot(xx, yy2.T)
plt.plot(xx, yy3.T)
# 画出支持向量点
for i in range(m):
if alphas[i] > 0.0:
plt.scatter(data_X[i, 0], data_X[i, 1], s=150, c='none', alpha=0.7, linewidth=1.5, edgecolor='red')
plt.xlim((-2, 12))
plt.ylim((-8, 6))
plt.show()
data_X,data_Y = loadDataSet("testSet.txt")
C = 0.6
toler = 0.001
maxIter = 40
b,alphas = smoP(data_X,data_Y,C,toler,maxIter)
ws = calcWs(alphas,data_X,data_Y) #含有随机操作,所以有多种可能性结果
print(ws)
test = data_X[0]@ws+b
print(test)
test = data_X[2]@ws+b
print(test)
test = data_X[1]@ws+b
print(test)
plotFigure(ws,b,toler,data_X,data_Y)