【机器学习】算法原理详细推导与实现(五):支持向量机(下)

【机器学习】算法原理详细推导与实现(五):支持向量机(下)

上一章节介绍了支持向量机的生成和求解方式，能够根据训练集依次得出$\omega$、$b$的计算方式，但是如何求解需要用到核函数，将在这一章详细推导实现。

核函数

在讲核函数之前，要对上一章节得到的结果列举出来。之前需要优化的凸函数为：

$$mi{n}_{\gamma ,\omega ,b}->\frac{1}{2}||\omega |{|}^2$$

$$y^{(i)}({\omega }^T{x}^{(i)}+b)\ge 1,i=1,2,...,m$$

这里假设数据是线性可分隔的，对于这个优化项目，给定一个训练集合，这个问题的算法会找到一个数据集合的最优间隔分类器，可以使训练样本的几何间隔最大化。

在上一章节【机器学习】算法原理详细推导与实现(四):支持向量机(上)中，我们推出了这个问题的对偶问题，也就是要使这个式子最大化：

$$ma{x}_{\alpha }\Gamma (\omega ,b,\alpha )=\sum _{i=1}^m{\alpha }_i-\frac{1}{2}\sum _{i=1,j=1}^m{\alpha }_i{\alpha }_j{y}^{(i)}{y}^{(j)}<x^{(i)},x^{(j)}>$$

$${\alpha }_i\ge 0,i=1,2,...,m$$

$$\sum _{i=1}^m{\alpha }_i{y}^{(i)}=0$$

上面是我们的原始问题，且根据拉格朗日对偶步骤计算得到参数$\omega$：

$$\omega =\sum _{i=1}^m{\alpha }_i{y}^{(i)}{x}^{(i)}$$

$$b=\frac{ma{x}_{i:y^{(i)}=-1}{\omega }^T{x}^{(i)}+mi{n}_{i:y^{(i)}=1}{\omega }^T{x}^{(i)}}{2}$$

当需要做分类预测时，需要对新来的输入值$x$进行计算，计算其假设的值是否大于零，也就是做一次线性运算来判断是正样本还是负样本，有如下计算函数：

$$\begin{array}{rl}{h}_{\omega ,b}(x)& =g({\omega }^{T}x+b)\\ & =g(\sum _{i=1}^m{\alpha }_i{y}^{(i)}<x^{(i)},x>+b)\end{array}$$

核函数概念

接下来要介绍“核”的概念，这个概念具有这样的性质：

算法对于x的依赖仅仅局限于这些内积的计算，甚至在整个算法中，都不会直接使用到向量x的值，而是只需要用到训练样本与输入特征向量的内积

而“核”的概念是这样的，考虑到最初在【机器学习】算法原理详细推导与实现(一):线性回归中提出的问题，比如有一个输入$x\in R$是房屋的面积，$y$是房子的价格。假设我们从样本点的分布中看到$x$和$y$符合3次曲线，那么我们会希望使用$x$的三次多项式来逼近这些样本点。首先将特征$x$扩展到三维$(x,x^2,x^3)$，这里将这种特征变换称作特征映射，映射函数为$\phi (x)$：

$$\phi (x)=\left[\begin{array}{c}x\\ x^2\\ x^3\end{array}\right]$$

用$\phi (x)$代表原来的特征$x$映射成的，这里希望得到映射后的特征应用于svm分类，而不是最初的一维特征，只需要将前面${\omega }^{T}x+b$公式中的内积从$<x^{(i)},x^{(j)}>$映射到$<\phi (x{)}^{(i)},\phi (x{)}^{(j)}>$。至于为什么需要映射后的特征而不是最初的特征来参与计算，上面提到的一个原因：为了更好的拟合，另外一个原因是样本可能存在线性不可分的情况，而特征映射到高维过后往往就可分了。

如果原始特征的内积为$<x,z>$，映射后为$<\phi (x),\phi (z)>$，那么一般核函数定义为：

$$K(x,z)=\phi (x{)}^T\phi (z)$$

为什么会那么定义核函数？有些时候$\phi (x)$的维度将会非常的高，可能会包含非常高维的多项式特征，甚至会到无限维。当$\phi (x)$的维度非常高时，可能无法高效的计算内积，甚至无法计算。如果要求解前面所提到的凸函数，只需要先计算$\phi (x)$，然后再计算$\phi (x{)}^T\phi (z)$即可，但是这种常规方法是很低效的，比如最开始的特征是$n$维，并将其映射到$n^2$维度，这时候计算需要$O(n^2)$的时间复杂度。这里假设$x$和$z$都是$n$维的：

$$K(x,z)=(x^{T}z{)}^2$$

展开后得到：

$$\begin{array}{rl}K(x,z)& =(x^{T}z{)}^2\\ & =(\sum _{i=1}^n{x}_i{z}_i)(\sum _{j=1}^n{x}_j{z}_j)\\ & =\sum _{i=1}^n\sum _{j=1}^n{x}_i{x}_j{z}_i{z}_j\\ & =\sum _{i=1}^n\sum _{j=1}^n(x_i{x}_j)(z_i{z}_j)\\ & =\phi (x{)}^T\phi (z)\end{array}$$

也就是说，如果开始的特征是$n$维，并将其映射到$n^2$维度后，其映射后的计算量为$O(n^2)$。而如果只是计算原始特征$x$和$z$的内积平方，时间复杂度还是$O(n)$,其结果等价于映射后的特征内积。

回到之前的假设，当$n=3$时，这个核$K(x,z)$对应的特征映射$\phi (x)$为：

$$\phi (x)=\left[\begin{array}{c}{x}_1{x}_1\\ x_1{x}_2\\ x_1{x}_3\\ x_2{x}_1\\ x_2{x}_2\\ x_2{x}_3\\ x_3{x}_1\\ x_3{x}_2\\ x_3{x}_3\end{array}\right]$$

这是时间复杂度为$O(n^2)$计算方式，而如果不计算$\phi (x)$，直接计算$<x,z>$从而得到<$\phi (x)$,$\phi (z)$>的内积，时间复杂度将缩小$O(n)$。

同理将核函数定义为：

$$\begin{array}{rl}K(x,z)& =(x^{T}z+c)\\ & =\sum _{i,j=1}^n(x_i{x}_j)(z_i{z}_j)+\sum _{i=1}^n(\sqrt{2c{x}_i})(\sqrt{2c{x}_j})+c^2\end{array}$$

当$n=3$时，这个核$K(x,z)$对应的特征映射$\phi (x)$为：

$$\phi (x)=\left[\begin{array}{c}{x}_1{x}_1\\ x_1{x}_2\\ x_1{x}_3\\ x_2{x}_1\\ x_2{x}_2\\ x_2{x}_3\\ x_3{x}_1\\ x_3{x}_2\\ x_3{x}_3\\ \sqrt{2c}{x}_1\\ \sqrt{2c}{x}_2\\ \sqrt{2c}{x}_3\\ c\end{array}\right]$$

总结来说，核的一种一般化形式可以表示为：

$$K(x,z)=(x^{T}z+c{)}^d$$

对应着$\left[\begin{array}{c}n+d\\ d\end{array}\right]$ 个特征单项式，即特征维度。

假如给定一组特征$x$，将其转化为一个特征向量$\phi (x)$;给定一组特征$z$，将其转化为一个特征向量$\phi (z)$，所以核计算就是两个向量的内积$<\phi (x),\phi (z)>$。如果$\phi (x)$和$\phi (z)$向量夹角越小，即两个向量越相似(余弦定理)，那么$\phi (x)$和$\phi (z)$将指向相同的方向，因此内积会比较大；相反的如果$\phi (x)$和$\phi (z)$向量夹角越大，即两个向量相似度很低，那么$\phi (x)$和$\phi (z)$将指向不同的方向，因此内即将会比较小。

如果有一个核函数如下:

$$K(x,z)=ex{p}^{(-\frac{||x-z|{|}^2}{2{\sigma }^2})}$$

如果$x$和$z$很相近($||x-z||\approx 0$)，那么核函数的值为1；如果$x$和$z$相差很大($||x-z||>>0$)，那么核函数的值约等于0。这个核函数类似于高斯分布，所以称为高斯核函数，能够把原始特征映射到无穷维。

在前面说了：为什么需要映射后的特征而不是最初的特征来参与计算？

上面提到了两个原因：

1. 为了更好的拟合
2. 样本可能存在线性不可分的情况，而特征映射到高维过后往往就可分了

第二种情况如下所示：

左边使用线性的时候，使用svm学习出$\omega$和$b$后，新来样本$x$就可以代入到${\omega }^{T}x+b$中进行判断，但是像图中所示是无法判断的；如果使用了核函数过后，${\omega }^{T}x+b$变成了${\omega }^T\phi (x)+b$，直接可以用下面的方式计算：

$$\begin{array}{rl}{\omega }^{T}x+b& =(\sum _{i=1}^m{\alpha }_i{y}^{(i)}{x}^{(i)}{)}^{T}x+b\\ & =\sum _{i=1}^m{\alpha }_i{y}^{(i)}<x^{(i)},x>+b\\ & =\sum _{i=1}^m{\alpha }_i{y}^{(i)}K(x^{(i)})+b\end{array}$$

只需要将$<x^{(i)},x>$替换成$K(x^{(i)})$就能将低维特征转化为高维特征，将线性不可分转化成高维可分。

规则化和不可分情况处理

我们之前讨论的情况都是建立在样例线性可分的假设上，当样例线性不可分时，我们可以尝试使用核函数来将特征映射到高维，这样很可能就可分了。然而，映射后我们也不能100%保证可分。那怎么办呢，我们需要将模型进行调整，以保证在不可分的情况下，也能够尽可能地找出分隔超平面。

看下面的图可以解释：

在右边的图可以可以看到上面一个离群点（可能是噪声），会造成超平面的移动改变，使集合间隔的间隔距离缩小，可见以前的模型对噪声非常敏感。再有甚者，如果离群点在另外一个类中，那么这时候就是线性不可分了。 这时候我们应该允许一些点游离在模型中违背限制条件（函数间隔大于 1）。我们设计得到新的模型如下（也称软间隔）：

$$mi{n}_{\gamma ,\omega ,b}->\frac{1}{2}||\omega |{|}^2+C\sum _{i=1}^m{\xi }_i$$

$$y^{(i)}({\omega }^T{x}^{(i)}+b)\ge 1-{\xi }_i,i=1,2,...,m$$

$${\xi }_i\ge 0,i=1,...,m$$

引入非负参数${\xi }_i$(松弛变量)过后，也就意味着允许某些样本的函数间隔小于1，甚至是负数，负数就代表样本点在对方区域中，如上方右边图的虚线作为超平面，一个空心圆点的函数间隔为负数。

增加新的条件后，需要重新调整目标函数，增加对离群点进行处罚，也就是在求最小值的目标函数后面加上$C{\sum }_{i=1}^m{\xi }_i$，因为定义${\xi }_i\ge 0$，所以离群点越多，那么目标函数的值越大，就等于违背求最小值的初衷。而$C$是离群点的权重，$C$越大表明离群点对于目标函数的影响越大，也就是越不希望看到离群点。

修改目标函数后，原式子变成：

$$\Gamma (\omega ,b,\xi ,\alpha ,r)=\frac{1}{2}{\omega }^T\omega +C\sum _{i=1}^m{\xi }_i-\sum _{i=1}^m{\alpha }_i[y^{(i)}(x^T\omega +b)-1+{\xi }_i]-\sum _{i=1}^m{r}_i{\xi }_i$$

这里的$\alpha$和$r$都是拉格朗日算子，根据上一章节拉格朗日的求解步骤：

1. 构造出拉格朗日函数后，将其看作是变量$\omega$和$b$的函数
2. 分别对其求偏导，得到$\omega$和$b$的表达式
3. 然后带入上述拉格朗日式子中，求带入后式子的极大值

最后化简得到的结果是：

$$ma{x}_{\alpha }W(\alpha )=\sum _{i=1}^m{\alpha }_i-\frac{1}{2}\sum _{i=1,j=1}^m{\alpha }_i{\alpha }_j{y}^{(i)}{y}^{(j)}<x^{(i)},x^{(j)}>$$

$$C\ge {\alpha }_i\ge 0,i=1,2,...,m$$

$$\sum _{i=1}^m{\alpha }_i{y}^{(i)}=0$$

这里唯一不同的地方是限制条件多了一个离群点的权重$C$。

SMO优化算法

SMO 是一个求解对偶问题的优化算法，目前还剩下最后的对偶问题还未解决：

$$ma{x}_{\alpha }W(\alpha )=\sum _{i=1}^m{\alpha }_i-\frac{1}{2}\sum _{i=1,j=1}^m{\alpha }_i{\alpha }_j{y}^{(i)}{y}^{(j)}<x^{(i)},x^{(j)}>$$

$$C\ge {\alpha }_i\ge 0,i=1,2,...,m$$

$$\sum _{i=1}^m{\alpha }_i{y}^{(i)}=0$$

我们需要根据上述问题设计出一个能够高效解决的算法，步骤如下：

1. 首先选择两个要改变的$\alpha$值${\alpha }_i$、${\alpha }_j$
2. 其次保持除了${\alpha }_i$、${\alpha }_j$之外的所有参数固定
3. 最后同时相对于这两个参数使$\omega$取最优，且同时满足所有约束条件

怎样在满足所有约束条件的情况下，相对于选出来的两个参数${\alpha }_i$、${\alpha }_j$使$\omega$取最优值？SMO优化算法能够高效完成这个工作。SMO算法非常的高效，只需要更多次数的迭代以达到收敛，而且每次迭代所需要的代价都非常小。

为了推出这个步骤，我们需要相对于${\alpha }_i$、${\alpha }_j$进行更新，假设取值是${\alpha }_1$、${\alpha }_2$，即假设${\alpha }_1$、${\alpha }_2$不再是变量（可以由其他值推出），可以根据约束条件推导得到：

$$\begin{array}{rl}\sum _{i=1}^m{\alpha }_i{y}^{(i)}& =0\\ {\alpha }_1{y}_1+{\alpha }_2{y}_2& =-\sum _{i=3}^m{\alpha }_i{y}^{(i)}\end{array}$$

由于${\alpha }_3$、${\alpha }_4$、…、${\alpha }_m$都是已知固定值，因此为了方便将等式右边，可将等式右边标记成$\zeta$：

$${\alpha }_1{y}^{(1)}+{\alpha }_2^{(2)}=\zeta$$

还有一个约束条件：

$$C\ge {\alpha }_i\ge 0,i=1,2,...,m$$

这个约束条件被称作为“方形约束”，如果将${\alpha }_1$、${\alpha }_2$画出来：

那么${\alpha }_1$、${\alpha }_2$表示的值应该都在$[0,C]$之间，也就是在方框里面，这意味着：

$$\alpha =\frac{\zeta -{\alpha }_2{y}^{(2)}}{y^{(1)}}$$

然后带入到需要求解的式子中：

$$W({\alpha }_1,{\alpha }_2,...,{\alpha }_m)=W(\frac{\zeta -{\alpha }_2{y}^{(2)}}{y^{(1)}},{\alpha }_2,...,{\alpha }_m)$$

在前面我们认为${\alpha }_3$、${\alpha }_4$、…、${\alpha }_m$都是已知固定值，只有${\alpha }_1$、${\alpha }_2$是未知需要求解的。那么把$W(\frac{\zeta -{\alpha }_2{y}^{(2)}}{y^{(1)}},{\alpha }_2,...,{\alpha }_m)$展开后可以表示成$a{\alpha }_2^2+b{\alpha }_2+c$的形式，其中$a$、$b$、$c$是由${\alpha }_3$、${\alpha }_4$、…、${\alpha }_m$表示出来，即$W$是一个二次函数。而其实对于所有的$\alpha$，如果保持其他参数都固定的话，都可以表示成$W$关于某个$\alpha$的一元二次函数：

$$\begin{array}{rl}W({\alpha }_1,{\alpha }_2,...,{\alpha }_m)& =W(\frac{\zeta -{\alpha }_2{y}^{(2)}}{y^{(1)}},{\alpha }_2,...,{\alpha }_m)\\ & =a{\alpha }_2^2+b{\alpha }_2+c\end{array}$$

由于上面式子是一个标准的一元二次函数，所以很容易求解出最优值，从而可以得到${\alpha }_2$的最优值，而这个最优值一定会在上图中${\alpha }_1-{\alpha }_2=\zeta$这条线上，且在“方形约束”中。按照这种方式解除${\alpha }_2$后，之后根据${\alpha }_1$和${\alpha }_2$的关系求解出${\alpha }_1$，这样子就求解出了相对于${\alpha }_1$和${\alpha }_2$关于$W$，且满足所有约束条件的最优值，该算法的关键是对一个一元二次函数求最优解，这个求解非常简单，这就使得SMO算法的内嵌计算非常高效。

如何求解${\alpha }_2$的值呢？只需要对式子进行求导$a{\alpha }_2^2+b{\alpha }_2+c$，即对$W$进行求导，然而要保证${\alpha }_2$即在方形约束内，也在${\alpha }_1-{\alpha }_2=\zeta$这条线上，那么就要保证$H\ge {\alpha }_2\ge L$，这里使用${\alpha }_2^{new,unclipped}$来表示求导出来的${\alpha }_2$，然后最后${\alpha }_2^{n}ew$的迭代更新方式如下所示：

$${\alpha }_2^{n}ew=\{\begin{array}{ll}H,& \text{if α2new,unclipped>H}\\ {\alpha }_2^{new,unclipped},& \text{if H≥α2new,unclipped≥L}\\ L,& \text{if α2new,unclipped<L}\end{array}$$

得到${\alpha }_2$后，由此可以返回求解${\alpha }_1$得到新值${\alpha }_1$，这里就是SMO优化算法的核心思想。根据SMO优化算法的核心思想：

1. 首先选择两个要改变的$\alpha$值${\alpha }_i$、${\alpha }_j$
2. 其次保持除了${\alpha }_i$、${\alpha }_j$之外的所有参数固定
3. 最后同时相对于这两个参数使$\omega$取最优，且同时满足所有约束条件

可以求解出所有的$\alpha$，使得$W$取得最大值，即原问题将得到解决：

$$ma{x}_{\alpha }W(\alpha )=\sum _{i=1}^m{\alpha }_i-\frac{1}{2}\sum _{i=1,j=1}^m{\alpha }_i{\alpha }_j{y}^{(i)}{y}^{(j)}<x^{(i)},x^{(j)}>$$

$$C\ge {\alpha }_i\ge 0,i=1,2,...,m$$

$$\sum _{i=1}^m{\alpha }_i{y}^{(i)}=0$$

总结

svm的步骤总结如下：

1. 先确定间隔器，这里svm一般默认是几何间隔
2. 由间隔器确定间隔函数
3. 从间隔函数查看是否包含不等式约束形式
4. 根据拉格朗日对偶步骤计算得到参数w、b
5. 规则化不可分的参数，即在原对偶式子中加入离群点权重$C$，问题转换为$ma{x}_{\alpha }W(\alpha )$
6. 利用SMO优化算法求解$W(\alpha )$最优值，首先选择两个要改变的$\alpha$值${\alpha }_i$、${\alpha }_j$
7. 其次保持除了${\alpha }_i$、${\alpha }_j$之外的所有参数固定
8. 最后同时相对于这两个参数使$\omega$取最优，且同时满足所有约束条件，最后确定选取的这两个${\alpha }_i$、${\alpha }_j$的值
9. 重复步骤6-9直到所有参数$\alpha$求解完成

svm在神经网络出来之前一直是最优的算法。相比于之前的算法推导复杂一些，但是逻辑并不难，它不想逻辑回归那样去拟合样本点，而是根据几何空间去寻找最优的分割超平面，为了判断哪个超平面最好，引入几个平面间隔最大化目标，从而求解出结果。

实例

有一份数据svm_data1，加载读取：

import pandas as pd
import matplotlib.pyplot as plt
from scipy.io import loadmat
from sklearn import svm

# 加载data1
raw_data = loadmat('./svm_data1.mat')
# print(raw_data)

# 读取data1的数据
data = pd.DataFrame(raw_data['X'], columns=['X1', 'X2'])
data['y'] = raw_data['y']

positive = data[data['y'].isin([1])]
negative = data[data['y'].isin([0])]
print(positive.shape)
print(negative.shape)

# 查看data1的数据分布
fig, ax = plt.subplots(figsize=(12, 8))
ax.scatter(positive['X1'], positive['X2'], s=50, marker='x', label='Positive')
ax.scatter(negative['X1'], negative['X2'], s=50, marker='o', label='Negative')
ax.legend()
plt.show()

数据分布如下所示：

可以看到数据分在两边很好区分，用一般的分类器例如逻辑回归、朴素贝叶斯即可区分，这里就用svm的线性核进行分类，设置离群点的权重$C=1$，即不区分离群点：

svc = svm.LinearSVC(C=1, loss='hinge', max_iter=1000)

svc.fit(data[['X1', 'X2']], data['y'])
data1_score_1 = svc.score(data[['X1', 'X2']], data['y'])
print(data1_score_1)

得到的准确率为0.980392156863，分类的图如下：

可以看到左上角有一个点原来是正样本，但是被分类为蓝色(负样本)，所以正样本21个，负样本30个，被误分的概率刚好是$\frac{1}{51}=‭0.01960784313‬$，所以准确率是$1-‭0.01960784313‬=0.980392156863$，刚好对的上。现在这里设置离群点的权重$C=100$用以区分离群点，得到的准确率为1.0，分类图像为：

再看第二份数据分布图如下：

这次就不能用线性核分类，需要用到RBF核分类：

# 做svm分类，使用RBF核
svc = svm.SVC(C=100, gamma=10, probability=True)
svc.fit(data[['X1', 'X2']], data['y'])
data['Probability'] = svc.predict_proba(data[['X1', 'X2']])[:, 0]

分类的结果图如下所示：

结果得到的准确率只有0.769228287521，因此设置了网格调参：

# 简单的网格调参
C_values = [0.01, 0.03, 0.1, 0.3, 1, 3, 10, 30, 100]
gamma_values = [0.01, 0.03, 0.1, 0.3, 1, 3, 10, 30, 100]

best_score = 0
best_params = {'C': None, 'gamma': None}

# 网格调参开始
for C in C_values:
    for gamma in gamma_values:

        # 做svm分类，使用RBF核
        svc = svm.SVC(C=C, gamma=gamma, probability=True)
        svc.fit(data[['X1', 'X2']], data['y'])

        # 交叉验证
        data2_score = cross_validation.cross_val_score(svc, data[['X1', 'X2']], data['y'], scoring='accuracy', cv=3)
        print(data2_score.mean())

最后准确率提高到0.858437379017，调整到的最优参数为{'C': 10, 'gamma': 100}

数据和代码下载请关注公众号【 机器学习和大数据挖掘 】，后台回复【 机器学习 】即可获取