支持向量机 (SVM) 详解
支持向量机(Support Vector Machine, SVM)是一种常用的监督学习模型,主要用于分类和回归任务。SVM 的核心思想是找到一个最优的超平面来分隔不同类别的数据点。本文将详细介绍 SVM 的基本原理、数学公式、代码实现以及如何通过代码绘制原理图。
1. SVM 基本原理
SVM 的目标是找到一个能够最大化类别间隔的超平面,从而使得分类准确率达到最优。假设我们有一个二分类问题,数据点 ( x i , y i ) (x_i, y_i) (xi,yi),其中 x i x_i xi 是特征向量, y i y_i yi 是类别标签( y i ∈ { − 1 , 1 } y_i \in \{-1, 1\} yi∈{−1,1})。SVM 的目标是找到一个超平面 w T x + b = 0 w^T x + b = 0 wTx+b=0,使得类别之间的间隔最大。
1.1 超平面与分类
在二维空间中,超平面实际上是一个直线。对于 SVM 来说,分类的目标是找到一个直线,使得不同类别的样本点被分隔开,并且尽量使得距离直线最近的点距离最大。这个距离称为间隔(margin),我们希望最大化这个间隔。
1.2 最大化间隔
给定超平面 w T x + b = 0 w^T x + b = 0 wTx+b=0,其中 w w w 是权重向量, b b b 是偏置项。为了最大化间隔,我们需要确保:
- 对于正类样本( y i = 1 y_i = 1 yi=1), w T x i + b ≥ 1 w^T x_i + b \geq 1 wTxi+b≥1。
- 对于负类样本( y i = − 1 y_i = -1 yi=−1), w T x i + b ≤ − 1 w^T x_i + b \leq -1 wTxi+b≤−1。
这样,间隔可以被计算为:
间隔 = 2 ∥ w ∥ \text{间隔} = \frac{2}{\|w\|} 间隔=∥w∥2
因此,最大化间隔等价于最小化 ∥ w ∥ \|w\| ∥w∥ 的平方:
min 1 2 ∥ w ∥ 2 \min \frac{1}{2} \|w\|^2 min21∥w∥2
同时需要满足分类约束:
y i ( w T x i + b ) ≥ 1 y_i (w^T x_i + b) \geq 1 yi(wTxi+b)≥1
1.3 软间隔与硬间隔
在实际应用中,数据可能不是线性可分的,因此我们引入了软间隔(soft margin)。通过引入松弛变量 ξ i \xi_i ξi 和惩罚参数 C C C,我们可以在一定程度上允许分类错误,从而优化分类结果。目标函数变为:
min 1 2 ∥ w ∥ 2 + C ∑ i = 1 n ξ i \min \frac{1}{2} \|w\|^2 + C \sum_{i=1}^n \xi_i min21∥w∥2+Ci=1∑nξi
同时需要满足:
y i ( w T x i + b ) ≥ 1 − ξ i y_i (w^T x_i + b) \geq 1 - \xi_i yi(wTxi+b)≥1−ξi
2. 数学公式与优化问题
SVM 的优化问题可以通过拉格朗日对偶方法来求解。构造拉格朗日函数:
L ( w , b , α ) = 1 2 ∥ w ∥ 2 − ∑ i = 1 n α i [ y i ( w T x i + b ) − 1 ] \mathcal{L}(w, b, \alpha) = \frac{1}{2} \|w\|^2 - \sum_{i=1}^n \alpha_i [y_i (w^T x_i + b) - 1] L(w,b,α)=21∥w∥2−i=1∑nαi[yi(wTxi+b)−1]
其中, α i \alpha_i αi 是拉格朗日乘子。优化目标是最大化对偶函数:
max α [ ∑ i = 1 n α i − 1 2 ∑ i = 1 n ∑ j = 1 n α i α j y i y j ( x i T x j ) ] \max_{\alpha} \left[ \sum_{i=1}^n \alpha_i - \frac{1}{2} \sum_{i=1}^n \sum_{j=1}^n \alpha_i \alpha_j y_i y_j (x_i^T x_j) \right] αmax[i=1∑nαi−21i=1∑nj=1∑nαiαjyiyj(xiTxj)]
约束条件为:
α
i
≥
0
\alpha_i \geq 0
αi≥0
∑
i
=
1
n
α
i
y
i
=
0
\sum_{i=1}^n \alpha_i y_i = 0
i=1∑nαiyi=0
3. Python 实现与示例
我们使用 scikit-learn
库来实现 SVM。以下是一个简单的例子:
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
# 生成示例数据
np.random.seed(0)
X, y = datasets.make_blobs(n_samples=50, centers=2, cluster_std=0.60, random_state=0)
# 标准化数据
scaler = StandardScaler()
X = scaler.fit_transform(X)
# 训练 SVM 模型
model = SVC(kernel='linear', C=1.0)
model.fit(X, y)
# 绘制决策边界
def plot_decision_boundary(model, X, y):
h = .02 # 网格点的步长
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolor='k', marker='o')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('SVM Decision Boundary')
plt.show()
plot_decision_boundary(model, X, y)
上述代码生成了一个简单的二维数据集,并使用线性 SVM 对数据进行分类。plot_decision_boundary
函数用于绘制决策边界。
4. 原理图
我们可以通过代码绘制 SVM 的原理图,帮助理解超平面及其间隔:
import numpy as np
import matplotlib.pyplot as plt
from sklearn.svm import SVC
from sklearn.datasets import make_classification
# 生成数据
X, y = make_classification(n_samples=100, n_features=2, n_informative=2, n_redundant=0, n_clusters_per_class=1)
# 训练 SVM 模型
clf = SVC(kernel='linear', C=1.0)
clf.fit(X, y)
# 绘制决策边界
def plot_svm_decision_boundary(clf, X, y):
plt.figure(figsize=(10, 6))
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='autumn')
# 绘制超平面
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()
xx = np.linspace(xlim[0], xlim[1], 100)
yy = np.linspace(ylim[0], ylim[1], 100)
XX, YY = np.meshgrid(xx, yy)
Z = clf.decision_function(np.c_[XX.ravel(), YY.ravel()])
Z = Z.reshape(XX.shape)
ax.contour(XX, YY, Z, colors='k', levels=[-1, 0, 1], alpha=0.5, linestyles=['--', '-', '--'])
plt.title('SVM Decision Boundary')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()
plot_svm_decision_boundary(clf, X, y)
上面的代码会生成 SVM 的决策边界图,其中包含分类超平面和支持向量。决策边界帮助我们理解模型如何在特征空间中划分不同的类别。
总结
支持向量机是一种强大的分类算法,通过最大化间隔来提高分类性能。SVM 的理论基础包括超平面、间隔最大化和软间隔等概念。通过实际的 Python 代码实现,我们可以可视化 SVM 的决策边界,帮助理解其工作原理。
希望本文对你理解 SVM 有所帮助。如果有任何问题或需要进一步的讨论,请随时联系我!