《两日算法系列》之第五篇：SVM

1. 支持向量机理论

支持向量机(Support Vector Machine：SVM)

支持向量机的目的是什么？

利用训练数据集的间隔最大化找到一个最优分离超平面

你可能有两个名词不太懂，间隔？分离超平面？

别紧张，没有人刚开始学习SVM的时候就知道这两个东西

先来看个例子，现在有一些人的身高和体重数据，将它们绘制成散点图，是这样的：

如果现在给你一个未知男女的身高和体重，你能分辨出性别吗？

这个简单，我直接将已知的点划分为两部分，这个点落在哪一部分就对应相应的性别

ok，那就可以画一条直线，直线以上是男生，直线以下是女生

问题来了，现在这个是一个二维平面，我们可以画直线，如果是三维的呢？该怎么画?

小时候就学过，一维平面是点，二维平面是线，三维平面是面

对的，那么注意，今天的第一个概念：

超平面是平面的一般化：

• 在一维的平面中，它是点
• 在二维的平面中，它是线
• 在三维的平面中，它是面
• 在更高的维度中，我们称之为超平面

为了大家更快的适应超平面这种说法，后面的直线、平面都直接叫超平面了

继续刚才的问题，我们刚才是通过一个分离超平面分出了男和女，这个超平面唯一吗？

很明显，并不唯一，这样的超平面有若干个

那么问题来了，既然有若干个，那我肯定要最好的，这里最好的叫最优分离超平面

如何在众多分离超平面中选择一个最优分离超平面？

下面这两个分离超平面，你选哪个？绿色的还是黑色的？

对，当然是黑色的。

黑色的我懂，可是原理是什么？

很简单，原理有两个，分别是：

• 正确的对训练数据进行分类
• 对未知数据也能很好的分类

黑色的分离超平面能够对训练数据很好的分类，当新增未知数据时，黑色的分离超平面泛化能力也强于绿色。

深究一下，为什么黑色的要强于绿色？原理又是什么？

其实很简单：最优分离超平面其实是和两侧样本点有关，而且只和这些点有关。

怎么理解这句话呢，我们看张图：

其中当间隔达到最大，两侧样本点的距离相等的超平面为最优分离超平面。

注意，今天的第二个概念：

对应上图，Margin对应的就是最优分离超平面的间隔，此时的间隔达到最大

一般来说，间隔中间是无点区域，里面不会有任何点（理想状态下）

给定一个超平面，我们可以就算出这个超平面与和它最接近的数据点之间的距离。那么间隔（Margin）就是二倍的这个距离

我还是不理解为什么这个分离超平面就是最优分离超平面

那你在看这张图

在这张图里面间隔MarginB小于上张图的MarginA

当出现新的未知点，MarginB分离超平面的泛化能力不如Margin

你可能不理解泛化能力这个词，那换个说法：当出现未知点时，用MarginB的分离超平面去分类，错误率大于MarginA

总结一下

支持向量机是为了通过间隔最大化找到一个最优分离超平面

而之所以叫做支持向量，是因为在决定分离超平面的时候，只有极限位置的那两个点有用，其他点根本没有大作用，因为只要极限位置离得超平面的距离最大，就是最优的分离超平面了。

怎么样，一口气学了这么多，甚至还了解了SVM的深奥意义，是不是有点点小激动？

趁着现在还激动想一个问题：如何确定最大化间隔？

2. 如何确定最大化间隔

如果我们能够确定两个平行超平面，那么两个超平面之间的最大距离就是最大化间隔。

看个图你就都明白了：

左右两个平行超平面将数据完美的分开，我们只需要计算上述两个平行超平面的距离即可。

所以，我们找到最大化间隔：

• 找到两个平行超平面，可以划分数据集并且两平面之间没有数据点
• 最大化上述两个超平面

2.1. 确定两个平行超平面

怎么确定两个平行超平面？

我们知道一条直线的数学方程是：y-ax+b=0，而超平面会被定义成类似的形式：

$${\mathbf{w}}^T\mathbf{x}-b=0$$

超平面的方程中，加粗的字体w、x表示向量，${\mathbf{w}}^T\mathbf{x}$表示向量的内积。

这个我觉得应该不用多说了，平面方程公式，默认都懂哈

推广到n维空间，则超平面方程中的w、x分别为：

等等，还有一个问题，如何确保两超平面之间没有数据点？

我们的目的是通过两个平行超平面对数据进行分类，那我们可以这样定义两个超平面：

对于每一个向量xi：满足：

$$\mathbf{w}\cdot {\mathbf{x}}_i-b\ge 1for{\mathbf{x}}_i属于类别1$$
或者

$$\mathbf{w}\cdot {\mathbf{x}}_i-b\le -1for{\mathbf{x}}_i属于类别-1$$
也就是这张图：

所有的红点都是1类，所有的蓝点都是−1类。

整理一下上面的两个超平面：

$$\mathbf{w}\cdot {\mathbf{x}}_i-b\ge 1for{\mathbf{x}}_i属于类别1$$

$$\mathbf{w}\cdot {\mathbf{x}}_i-b\le -1for{\mathbf{x}}_i属于类别-1$$

不等式两边同时乘以 yi，-1类的超平面yi=-1，要改变不等式符号，合并后得

$$y_i(\mathbf{w}\cdot {\mathbf{x}}_i-b)\ge 1forall1\le i\le n$$
ok，记住上面的约束条件。

2.2. 确定间隔

如何求两个平行超平面的间隔呢？

我们可以先做这样一个假设：

• $h_0$是满足约束$\mathbf{w}\cdot {\mathbf{x}}_i-b=1$的超平面
• $h_1$是满足约束$\mathbf{w}\cdot {\mathbf{x}}_i-b=-1$的超平面
• $x_0$是$h_0$上的一点

则x0到平面h1的垂直距离m就是我们要的间隔。

这个间隔是可以通过计算算出来的，推导还需要一些步骤，直接放结果了就：

$$m=\frac{2}{||\mathbf{w}||}$$
其中||w||表示w的二范数，求所有元素的平方和，然后在开方。比如，二维平面下：

$$||\mathbf{w}||=\sqrt[2]{w_1^2+w_2^2}$$
可以发现，w 的模越小，间隔m 越大

2.3. 确定目标

我们的间隔最大化，最后就成了这样一个问题：

$$在约束条件y_i(\mathbf{w}\cdot {\mathbf{x}}_i-b)\ge 1(对于i=1,...,n)的情况下$$

$$找到使||\mathbf{w}||最小的\mathbf{w},b$$

了其中w和b，我们的最优分离超平面就确定了，目的也就达到了

上面的最优超平面问题是一个凸优化问题，可以转换成了拉格朗日的对偶问题，判断是否满足KKT条件，然后求解

上一句话包含的知识是整个SVM的核心，涉及到大量的公式推导。

但是既然是大话系列，那么涉及到推导的东西我们就略过了，你只需要知道它的目的就是为了找出一个最优分离超平面

就假设我们已经解出了最大间隔，找到了最优分离超平面，它是这样的：

ok，那我们的支持向量机的原理就说完了。

除去上面我们对最大间隔的推导计算，剩下的部分其实是不难理解的。

从上面过程，我们可以发现，其实最终分类超平面的确定依赖于部分极限位置的样本点，这叫做支持向量。

由于支持向量在确定分离超平面中起着决定性作用，所有将这类模型叫做支持向量机

我们在上面图中的点都是线性可分的，也就是一条线（或一个超平面）可以很容易的分开的

但是实际情况不都是这样，比如有的女生身高比男生高，有的男生体重比女生都轻

像这种存在噪声点分类，应该怎么处理？

3. 针对样本的SVM

3.1. 硬间隔线性支持向量机

上面例子中提到的样本点都是线性可分的，我们就可以通过分类将样本点完全分类准确，不存在分类错误的情况，这种叫硬间隔，这类模型叫做硬间隔线性SVM

3.2. 软间隔线性支持向量机

同样的，可以通过分类将样本点不完全分类准确，存在少部分分类错误的情况，这叫软间隔，这类模型叫做软间隔线性SVM

不一样的是，因为有分类错误的样本点，但我们仍需要将错误降至最低，所有需要添加一个惩罚项来进行浮动，所有此时求解的最大间隔就变成了这样：

3.3. 非线性支持向量机

硬间隔和软间隔都是对线性可分的样本点进行分类，那如果样本点本身就不线性可分？

举个例子：下面这幅图

样本点并不是线性可分的，这种问题应该怎么处理呢？

解决这个问题之前，先看一下这个小短视频：

SVM with polynomial kernel 可视化

视频中是将平面中的样本点映射到三维空间中，使用一个平面将样本线性可分

所以我们需要一种方法，可以将样本从原始空间映射到一个更高纬的空间中，使得样本在新的空间中线性可分。这，叫核函数

在非线性SVM中，核函数的选择关系到SVM的分类效果。

幸好的是，我们有多种核函数：线性核函数、多项式核函数、高斯核函数、sigmoid核函数等等，甚至你还可以将这些核函数进行组合，以达到最优线性可分的效果

核函数了解到应该就差不多了，具体的实现我们在下一节的实战再说

4. 多分类支持向量机

还有最后一个问题：多分类

我们前面提到的所有例子最终都指向了二分类，现实中可不止有二分类，更多的是多分类问题

那么多分类应该怎么分呢？

有两种方法：一对多和一对一

4.1. 一对多法

一对多法讲究的是将所有的分类分成两类：一类只包含一个分类，另一类包含剩下的所有分类

举个例子：现在有A、B、C、D四种分类，根据一对多法可以这样分：

• ①：样本A作为正集，B、C、D为负集
• ②：样本B作为正集，A、C、D为负集
• ③：样本C作为正集，A、B、D为负集
• ④：样本D作为正集，A、B、C为负集

4.2. 一对一法

一对一法讲究的是从所有分类中只取出两类，一个为正类一个为父类

再举个例子：现在有A、B、C三种分类，根据一对一法可以这样分：

• ①分类器：样本A、B
• ②分类器：样本A、C
• ③分类器：样本B、C

可以看到，两种方法各有优缺点，具体的直接看思维导图（文末）

5. 实战之前你还需了解这些

我们知道针对样本有线性SVM和非线性SVM

同样的在sklearn 中提供的这两种的实现，分别是：LinearSVC和SVC

SVC?不应该时SVM吗?

SVC:Support Vector Classification 用作处理分类问题

那是不是意味着还可以处理回归问题?

是的，没错。但我们常用SVM来做分类问题

处理回归问题会用到LinearSVR和SVR（R代表Regression）

SVC和LinearSVC

LinearSVC是线性分类器，用于处理线性分类的数据，且只能使用线性核函数

SVC是非线性分类器，即可以使用线性核函数进行线性划分，也可以使用高维核函数进行非线性划分

SVM的使用

在sklearn 中，同样还是一句话调用SVM

from sklearn import svm 

如何创建SVM分类器呢？

主要说一下SVC的创建，因为它的参数比较重要

model = svm.SVC(kernel='rbf', C=1.0, gamma=0.001)

分别解释一下三个重要参数：

• kernel代表核函数的选择，有四种选择，默认rbf（即高斯核函数）
• 参数C代表目标函数的惩罚系数，默认情况下为 1.0
• 参数gamma代表核函数的系数，默认为样本特征数的倒数

其中kernel代表的四种核函数分别是：

• linear：线性核函数，在数据线性可分的情况下使用的
• poly：多项式核函数，可以将数据从低维空间映射到高维空间
• rbf：高斯核函数，同样可以将样本映射到高维空间，但所需的参数较少，通常性能不错
• sigmoid：sigmoid核函数，常用在神经网络的映射中

SVM的使用就介绍这么多，来实战测试一下

6. 实战项目

6.1. 数据集

SVM的经典数据集：乳腺癌诊断

医疗人员采集了患者乳腺肿块经过细针穿刺 (FNA) 后的数字化图像，并且对这些数字图像进行了特征提取，这些特征可以描述图像中的细胞核呈现。通过这些特征可以将肿瘤分成良性和恶性

本次数据一共569条、32个字段，先来看一下具体数据字段吧

其中mean结尾的代表平均值、se结尾的代表标准差、worst结尾代表最坏值（这里具体指肿瘤的特征最大值）

所有其实主要有10个特征字段，一个id字段，一个预测类别字段

我们的目的是通过给出的特征字段来预测肿瘤是良性还是恶性

准备好了吗？3,2,1 开始

6.2. 数据EDA

EDA:Exploratory Data Analysis探索性数据分析

先来看数据分布情况

一共569条、32个字段

32个字段中1个object类型，一个int型id，剩下的都是float 类型。

另外：数据中不存在缺失值

大胆猜测一下，object类型可能是类别型数据，即最终的预测类型，需要进行处理，先记下

再来看连续型数据的统计数据：

好像也没啥问题（其实因为这个数据本身比较规整）

那直接开始特征工程吧

6.3. 特征工程

首先就是将类别数据连续化

再来观察每一个特征的三个指标：均值、标准差和最大值。

优先选择均值，最能体现该指特征的整体情况

现在还有十个特征，我们通过热力图来看一下特征之间的关系

# 热力图查看特征之间的关系
sns.heatmap(df_data[df_data_X.columns].corr(), linewidths=0.1, vmax=1.0, square=True,
			cmap=sns.color_palette('RdBu', n_colors=256),
			linecolor='white', annot=True)
plt.title('the feature of corr')
plt.show()

热力图是这样的：

我们发现radius_mean、perimeter_mean和area_mean这三个特征强相关，那我们只保留一个就行了

这里保留热力图里面得分最高的perimeter_mean

最后一步

因为是连续数值，最好对其进行标准化

标准化之后的数据是这样的：

6.4. 训练模型

上面已经做好了特征工程，我们直接塞进模型看看效果怎么样

因为并不知道数据样本到底是否线性可分，所有我们都来试一下两种算法

先来看看LinearSVC 的效果

效果很好，简直好的不行

这个准确率就不要纠结了，后面真正做实际案例的时候再纠结准确率吧

ok，还有SVC的效果

因为SVC需要设置参数，直接通过网格搜索让机器自己找到最优参数

效果更好，小一我一时都惊呆了

可以看出，最终模型还是选择rbf高斯核函数，果然实至名归

好了，今天的项目就到这了

主要是通过数据EDA+特征工程完成了数据方面的工作，然后通过交叉验证+网格搜索确定了最优模型和最优参数

7. 写在后面的话

DataWhale四月学习的最后一个算法，其实SVM自己之前就看过，也写了相应的笔记，所以总结起来就比较游刃有余。

如果看了前几篇文章的同学应该会发现现在总结还有点早，因为第四篇就是一个凑数的，那个，其实我还在写，写完了会及时更上来的。

第四篇本来是关于条件随机场的内容，结果我发现HMM自己还不是很懂，于是，第四篇就成了HMM算法了，等到HMM写完我会继续更上条件随机场这一节的。

算法学起来确实很吃力，不过一个算法+一个项目的学，应该会比单纯推算法有意思些，也会有成就感些。

我是小一，第一步的一，我们下节见！

对了，思维导图奉上：