Pocket Algorithm其实就是针对数据集线性不可分时的PLA改进算法。其思想是在PLA无法使全部数据线性可分时,通过贪心算法保留将数据分割效果最好的直线。
#include <iostream>
#include <fstream>
#include <vector>
#include <algorithm> //这个头文件用于调用“随机打乱vector中的元素”的函数 random_shuffle
using namespace std;
const int DIMS = 5; //X的维度,因为PLA算法中令 X0=1,所以 DIMS 是其真实维度+1
char *file = "pocket_train.txt";
char *file1 = "pocket_test.txt";
struct training_unit //每个X数据结构体
{
double x[DIMS];
int y;
};
vector <training_unit> training; //用来保存训练数据
vector <training_unit> test; //用来保存test数据
int sign( double signx ) //sign函数,正为1,负为-1
{
int signy;
if (signx > 0) signy = 1;
else signy = -1;
return signy;
}
int judge(training_unit xy,double ww[5]) //判决是否需要修正w
{
double sum = 0;
for (int k=0; k<5; k++)
sum += ( xy.x[k] * ww[k] );
if ( sign(sum) == xy.y ) return 1;
else return 0;
}
void file_to_vector( char *filename, vector <training_unit>& vectorname ) //将数据文件中的数据读取到vector中去
{
ifstream inFile;
inFile.open(filename);
if (!inFile.is_open())
{
cerr <<"Could not open"<<file<<endl;
exit(EXIT_FAILURE);
}
training_unit x4y1_model;
while (!inFile.eof()) //把x、y数据读入vector容器
{
x4y1_model.x[0] = 1;
for(int i=1;i<DIMS;i++)
{
inFile >> x4y1_model.x[i] ;
inFile >> x4y1_model.y;
}
vectorname.push_back(x4y1_model);
}
inFile.close();
}
void cout_the_result( double w[] ) //打印 w
{
cout <<"w= { "<<w[0]<<", "<<w[1]<<", "<<w[2]<<", "<<w[3]<< ", }" <<endl;
}
void count_true_nums( int & coutf_true_nums, int coutf_nums, double coutf_w[DIMS], vector <training_unit> coutf_training ) //计算当前w分类能正确分类的个数
{
int coutf_j = 0;
for( ;coutf_j<coutf_nums;coutf_j++ )
coutf_true_nums += judge(coutf_training[coutf_j], coutf_w);
}
void swap( double *f_w, double *f_pocket_w ) //将 f_w 复制到 f_pocket_w 中去
{
for( int i = 0; i < DIMS; i++ )
f_pocket_w[i] = f_w[i];
}
void max(int &a, double *f_w, int &b, double *f_pocket_w ) //前面两项是新的,后面两项是旧的
{
if(a>b)
{
b = a;
swap( f_w, f_pocket_w );
}
// else swap( f_pocket_w , f_w ); //这一句坚决不能要,会增加错误率
}
double PocketPLA( ) //算法核心
{
int iter = 0;
int iteration = 50; //口袋算法的迭代次数
double w[DIMS] = {0.0};
double pocket_w[DIMS] = {0.0};
int nums = training.size();
int j = 0;
int big_true_nums = 0;
int true_nums = 0; //正确分类的的数据个数
int true_nums1 = 0; //将pocket中的w用于test数据中正确分类个数
double error_rate = 0.0; // 训练集错误率
double error_rate1 = 0.0; // 将该 w 用于测试集的错误率
while(iter < iteration)
{
if( !judge(training[j], w) )
{
for(int i=0; i<DIMS; i++)
w[i] += ( training[j].y * training[j].x[i] );
count_true_nums( true_nums, nums, w, training );
max( true_nums, w, big_true_nums, pocket_w );
true_nums = 0;
iter ++;
}
j++;
if ( j == nums ) j = 0;
}
cout_the_result( pocket_w );
count_true_nums( true_nums1, nums, pocket_w, test );
cout << "big_true_nums = " << big_true_nums << endl;
cout << "true_nums1 = " << true_nums1 << endl; //test
error_rate = double( nums - big_true_nums ) / double (nums);
error_rate1 = double( nums - true_nums1 ) / double (nums);
cout << "error_rate = " << error_rate << endl;
cout << "error_rate1 = " << error_rate1 << endl;
return error_rate1;
}
int main()
{
double errorrate_average = 0.0;
file_to_vector(file,training);
file_to_vector(file1,test);
for ( int i = 0; i < 2000; i++ )
{
cout << "The " << i <<"th random processing"<< endl;
random_shuffle( training.begin(), training.end() );
errorrate_average += PocketPLA( );
}
errorrate_average /= 2000;
cout << "errorrate_average = " << errorrate_average;
cin.get();
return 0;
}
在编写这个程序时,发现一个口袋算法的细节,如果忽略这个细节将增加错误率。
下面请听我讲解:
void max(int &a, double *f_w, int &b, double *f_pocket_w ) //前面两项是新的,后面两项是旧的
{
if(a>b)
{
b = a;
swap( f_w, f_pocket_w );
}
// else swap( f_pocket_w , f_w ); //这一句坚决不能要,会增加错误率
}
就是上面加标注的这一句
之前加上这一句的想法是:如果当前 w 效果不如 pocket_w 那我就继续使用 pocket_w 当做 w 来继续迭代,找到下一个错误点,进行更新w,然后进行与 pocket_w 比较…
其实不能这样,我们要保持 w 更新的连续性,不能因为w没有 pocket_w 效果好就把 pocket_w 赋给 w 去做更新,这样会破坏更新的连续性!!!