支持向量机SVM
支持向量机 |
---|
优点:泛化错误率低,计算开销不大,结果易解释 |
缺点:对参数调节和核函数的选择敏感,原始分类器不加修改仅适用于处理二类问题 |
适用数据类型:数值型和标称型数据 |
SVM的一般流程 |
---|
1.收集数据:可以使用任意方法 |
2.准备数据:需要数值型数据 |
3.分析数据:有助于可视化分隔超平面 |
4.训练数据:SVM的大部分时间都源自训练,该过程主要实现两个参数的调优 |
5.测试算法:十分简单的计算过程就可以实现 |
6.使用算法:几乎所有分类问题都可以使用SVM,值得一提的是,SVM本身是一个二类分类器,对多类问题应用SVM需要对代码做一些修改 |
在开始SVM的代码之前,要先知道几个概念和算法:
-
决策面方程(超平面方程):
超平面即分隔数据点的平面
其中
-
分隔间隔方程:
分隔间隔即支持向量到分隔平面的垂直距离
-
SVM最优化问题的约束条件:
整合后即为
-
线性SVM优化问题基本描述:
我们将分隔间隔方程进行等效变换后,再结合约束条件,就可以整合得到基本描述了(所有的更详细的步骤和证明可以移步到最后的网址)
-
拉格朗日函数:
对优化问题进行拉格朗日处理
而我们的目的就是求新目标函数的最小值
只是直接求解比较困难,我们再进行对偶处理,得到
对该函数求解,先使得L关于w,b最小化,分别对w,b求导并使其等于零,即为满足L(w,b,α)关于w和b最小化的条件,代入原函数得
这就是最新得到的优化问题函数 -
SVM优化问题整体思路:
①明确目标:我们想得到一个超平面且此时有最大分隔间隔,为此我们需要得到方程的w和b;
②等效变换:由于直接求解会很不方便,于是我们进行等效变换,即求得最小的||w||;
③约束条件:这里的约束条件就是所有样本点需满足的分类条件;
④拉格朗日函数:我们以||w||和约束条件构造拉格朗日函数,得到拉格朗日函数后还是很难求解,于是再进行拉格朗日对偶处理;
⑤简化处理后的优化问题:现在优化问题的求解,首先要让L(w,b,α)关于w和b最小化,然后求对α的极大,最后利用SMO算法求解对偶问题中的拉格朗日乘子;
⑥对偶问题求解:为了让L(w,b,α)关于w和b最小化,我们对L对w和b求偏导,代入后即得满足L(w,b,α)关于w和b最小化的新函数L(α),这时函数只有αi一个变量;
⑦序列最小优化SMO算法:我们通过这个优化算法能对L(α)得到α,再根据α,我们就可以求解出w和b,进而求得我们最初的目的:找到超平面,即”决策平面” -
SMO算法:
①计算误差:
②计算上下界L和H:
③计算学习效率η:
④更新αj:
⑤根据取值范围修剪αj:
⑥更新αi:
⑦更新b1和b2:
⑧根据b1和b2更新b:
以上,我们知道了SVM的相关原理知识,我们现在可以通过编程实现了
简化版SMO算法:
简化版SMO算法跳过了外循环确定要优化的最佳alpha对,首先在数据集上遍历每一个alpha,然后在剩下的alpha集合中随机选择另一个alpha,从而构建alpha对
- SMO算法中的辅助函数:
def loadDataSet(fileName):
dataMat = []; labelMat = []
fr = open(fileName)
for line in fr.readlines():
lineArr = line.strip().split('\t')
dataMat.append([float(lineArr[0]), float(lineArr[1])])
labelMat.append(float(lineArr[2]))
return dataMat,labelMat
def selectJrand(i,m):
j=i #we want to select any J not equal to i
while j==i:
j = int(random.uniform(0,m))
return j
def clipAlpha(aj,H,L):
if aj > H:
aj = H
if L > aj:
aj = L
return aj
- 简化版SMO算法:
def smoSimple(dataMatIn, classLabels, C, toler, maxIter):#数据集、类别标签、常数C、容错率、退出前最大的循环次数
dataMatrix = mat(dataMatIn); labelMat = mat(classLabels).transpose()
b = 0; m,n = shape(dataMatrix)
alphas = mat(zeros((m,1)))
iter_num = 0 #储存在没有任何alpha改变的情况下遍历数据集的次数
while iter_num < maxIter:
alphaPairsChanged = 0 #记录alpha是否已经进行优化
for i in range(m):
fXi = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[i,:].T)) + b
Ei = fXi - float(labelMat[i])#if checks if an example violates KKT conditions
if ((labelMat[i]*Ei < -toler) and (alphas[i] < C)) or ((labelMat[i]*Ei > toler) and (alphas[i] > 0)):
j = selectJrand(i,m)
fXj = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[j,:].T)) + b
Ej = fXj - float(labelMat[j])
alphaIold = alphas[i].copy(); alphaJold = alphas[j].copy()
if labelMat[i] != labelMat[j]:
L = max(0, alphas[j] - alphas[i])
H = min(C, C + alphas[j] - alphas[i])
else:
L = max(0, alphas[j] + alphas[i] - C)
H = min(C, alphas[j] + alphas[i])
if L==H: print ("L==H"); continue
eta = 2.0 * dataMatrix[i,:]*dataMatrix[j,:].T - dataMatrix[i,:]*dataMatrix[i,:].T - dataMatrix[j,:]*dataMatrix[j,:].T
if eta >= 0: print ("eta>=0"); continue
alphas[j] -= labelMat[j]*(Ei - Ej)/eta
alphas[j] = clipAlpha(alphas[j],H,L)
if abs(alphas[j] - alphaJold) < 0.00001: print ("j not moving enough"); continue
alphas[i] += labelMat[j]*labelMat[i]*(alphaJold - alphas[j])#update i by the same amount as j
#the update is in the oppostie direction
b1 = b - Ei- labelMat[i]*(alphas[i]-alphaIold)*dataMatrix[i,:]*dataMatrix[i,:].T - labelMat[j]*(al