基于支持向量机的手写体识别
代码全是《机器学习》上的,只是将其整合到了一起,能够运行手写体识别。
内容大部分进行了注释,可能有些注释不够精准或者不容理解,见谅!
代码
from numpy import * #导入数据处理库
from time import sleep #导入时间间隙函数
def loadDataSet(fileName): #加载数据
dataMat = []; labelMat = []
fr = open(fileName) #打开文件
for line in fr.readlines(): #逐行读取,将数据放入到建立的数组中
lineArr = line.strip().split('\t') #将每行的数据按空格切片,变成数列
dataMat.append([float(lineArr[0]), float(lineArr[1])])
labelMat.append(float(lineArr[2]))
return dataMat,labelMat
def selectJrand(i,m): # 从0~m个alpha中选择除i外的另一个alpha
j=i
while (j==i): #选择一个不等于i的j
j = int(random.uniform(0,m))
return j
def clipAlpha(aj,H,L): # 用来调整,使得它在H—L之间
if aj > H:
aj = H
if L > aj:
aj = L
return aj
def kernelTrans(X, A, kTup): # kTup元组中的第一个参数是描述所用核函数类型的一个字符串,其他2个参数是核函数可能需要的可选参数,数据矩阵、单个数据向量、包含和函数信息的元组
m,n = shape(X)
K = mat(zeros((m,1)))
if kTup[0]=='lin': K = X * A.T #linear kernel
elif kTup[0]=='rbf':#径向基核函数
for j in range(m):
deltaRow = X[j,:] - A
K[j] = deltaRow*deltaRow.T
K = exp(K/(-1*kTup[1]**2)) #在numpy中除法是按元素而不是像matlab那样的矩阵
else: raise NameError('Houston We Have a Problem -- \
That Kernel is not recognized')
return K
class optStruct:
def __init__(self,dataMatIn, classLabels, C, toler, kTup): # Initialize the structure with the parameters
self.X = dataMatIn # X:训练的数据集
self.labelMat = classLabels # labelMat:X对应的类别标签
self.C = C # C:松弛变量系数
self.tol = toler # tol:容错率
self.m = shape(dataMatIn)[0] # m:样本的个数
self.alphas = mat(zeros((self.m,1))) # alphas:拉格朗日系数,需要优化项
self.b = 0 # b:阈值
self.eCache = mat(zeros((self.m,2))) #first column is valid flag
self.K = mat(zeros((self.m,self.m)))
for i in range(self.m): # 第一列 标志位,标志Ek是否有效,1为有效,0为无效 第二列 错误率Ek
self.K[:,i] = kernelTrans(self.X, self.X[i,:], kTup)
def calcEk(oS, k): #计算预测值与真是值的误差
fXk = float(multiply(oS.alphas,oS.labelMat).T*oS.K[:,k] + oS.b) #(alpha*label).t*k[:,k]+b
Ek = fXk - float(oS.labelMat[k])
return Ek
def selectJ(i, oS, Ei): #选择第二个alpha的下标并输出它的误差值
maxK = -1; maxDeltaE = 0; Ej = 0
oS.eCache[i] = [1,Ei] #将Ei在缓存中设置成为已经计算好的
validEcacheList = nonzero(oS.eCache[:,0].A)[0] #构建一非零Ei值对应的alpha值
if (len(validEcacheList)) > 1:
for k in validEcacheList: #在所有的值上进行循环并选出其中使得改变最大的那个值
if k == i: continue #进行下次循环
Ek = calcEk(oS, k)
deltaE = abs(Ei - Ek) #选出的另一个样本的误差与这个误差的差值
if (deltaE > maxDeltaE): #选出最大的插值
maxK = k; maxDeltaE = deltaE; Ej = Ek
return maxK, Ej
else: #否则,我们将没有有效的误差值
j = selectJrand(i, oS.m)#随机选择一个j值
Ej = calcEk(oS, j))#j值对应的误差值Ej
return j, Ej
def updateEk(oS, k):#将计算出的误差存入缓存中 ,数据集、alpha
Ek = calcEk(oS, k)
oS.eCache[k] = [1,Ek]
def innerL(i, oS): #完整的内循环优化进程, 输入选出的第一个alpha和相关的参数,输出是否进行了参数的优化
Ei = calcEk(oS, i) #计算第i数据的误差
if ((oS.labelMat[i]*Ei < -oS.tol) and (oS.alphas[i] < oS.C)) or ((oS.labelMat[i]*Ei > oS.tol) and (oS.alphas[i] > 0)):
j,Ej = selectJ(i, oS, Ei) #选择有最大的步长的alpha
alphaIold = oS.alphas[i].copy(); alphaJold = oS.alphas[j].copy();#保存更新前/后的aplpha值,使用深拷贝
if (oS.labelMat[i] != oS.labelMat[j]): #如果yi和yj的标签不一样,alphas[j]new的取值范围
L = max(0, oS.alphas[j] - oS.alphas[i])
H = min(oS.C, oS.C + oS.alphas[j] - oS.alphas[i])
else:
L = max(0, oS.alphas[j] + oS.alphas[i] - oS.C)
H = min(oS.C, oS.alphas[j] + oS.alphas[i])
if L==H: print( "L==H"); return 0
#计算eta=-2*Kij+Kii+Kjj,而这儿eta=2*Kij-Kii-Kjj,所以下面公式中用的是减号,也可以看做关于oS.alphas[j]的二阶导数
eta = 2.0 * oS.K[i,j] - oS.K[i,i] - oS.K[j,j] #changed for kernel
if eta >= 0: print( "eta>=0"); return 0#目标函数是求最小值,这儿eta是负的二阶导数,因此二阶导数不能小于等于0
oS.alphas[j] -= oS.labelMat[j]*(Ei - Ej)/eta#更新oS.alphas[j]
oS.alphas[j] = clipAlpha(oS.alphas[j],H,L)#消减到规定范围内
updateEk(oS, j) #added this for the Ecache#更新Ej至误差缓存
if (abs(oS.alphas[j] - alphaJold) < 0.00001): print ("j not moving enough"); return 0
oS.alphas[i] += oS.labelMat[j]*oS.labelMat[i]*(alphaJold - oS.alphas[j])#update i by the same amount as j
updateEk(oS, i) #added this for the Ecache #the update is in the oppostie direction
b1 = oS.b - Ei- oS.labelMat[i]*(oS.alphas[i]-alphaIold)*oS.K[i,i] - oS.labelMat[j]*(oS.alphas[j]-alphaJold)*oS.K[i,j]
b2 = oS.b - Ej- oS.labelMat[i]*(oS.alphas[i]-alphaIold)*oS.K[i,j]- oS.labelMat[j]*(oS.alphas[j]-alphaJold)*oS.K[j,j]
if (0 < oS.alphas[i]) and (oS.C > oS.alphas[i]): oS.b = b1
elif (0 < oS.alphas[j]) and (oS.C > oS.alphas[j]): oS.b = b2
else: oS.b = (b1 + b2)/2.0
return 1
else: return 0
def smoP(dataMatIn, classLabels, C, toler, maxIter,kTup=('lin', 0)): #完整的线性SMO,数据矩阵、数据标签、松弛变量、容错率、最大迭代次数
oS = optStruct(mat(dataMatIn),mat(classLabels).transpose(),C,toler, kTup)#初始化数据结构
iter = 0 #初始化当前迭代次数
entireSet = True; alphaPairsChanged = 0
# 遍历整个数据集都alpha也没有更新或者超过最大迭代次数,则退出循环
while (iter < maxIter) and ((alphaPairsChanged > 0) or (entireSet)):
alphaPairsChanged = 0
if entireSet: #遍历整个数据集#首先进行完整遍历,过程和简化版的SMO一样
for i in range(oS.m):
alphaPairsChanged += innerL(i,oS)#使用优化的SMO算法,如果oS.alphas[j]和oS.alphas[i]更新,则返回1
print ("fullSet, iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged))
iter += 1#循环完一次,迭代次数加1
else:#非边界遍历,挑选其中alpha值在0和C之间非边界alpha进行优化
nonBoundIs = nonzero((oS.alphas.A > 0) * (oS.alphas.A < C))[0]#numpy.nonzeros返回非零元素的下标位置
for i in nonBoundIs:
alphaPairsChanged += innerL(i,oS)
print ("non-bound, iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged))
iter += 1
if entireSet: entireSet = False #toggle entire set loop
elif (alphaPairsChanged == 0): entireSet = True #如果alpha没有更新,计算全样本遍历
print ("iteration number: %d" % iter)
return oS.b,oS.alphas
def calcWs(alphas,dataArr,classLabels):
X = mat(dataArr); labelMat = mat(classLabels).transpose()
m,n = shape(X)
w = zeros((n,1))
for i in range(m):
w += multiply(alphas[i]*labelMat[i],X[i,:].T)
return w
def loadImages(dirName): #将文件夹下面的数字文件 转换成数据特征(每个数字1/0就是一个特征,每个文件有1024个特征)和类别标签
from os import listdir #方法用于返回指定的文件夹包含的文件或文件夹的名字的列表
hwLabels = []
trainingFileList = listdir(dirName) #加载训练集
m = len(trainingFileList)
trainingMat = zeros((m,1024))
for i in range(m):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0] #对文件名进行分割。例如2_45.txt,从.那个地方开始分割文件名,就得到2_45和txt两部分
classNumStr = int(fileStr.split('_')[0])#对文件名进行分割。例如2_45,从_那个地方开始分割文件名
if classNumStr == 9: hwLabels.append(-1) #二分类,数字9标签为-1 其他的标签为+1
else: hwLabels.append(1)
trainingMat[i,:] = img2vector('%s/%s' % (dirName, fileNameStr))#读取数据到矩阵
return trainingMat, hwLabels
def testDigits(kTup=('rbf', 10)):
dataArr,labelArr = loadImages('trainingDigits') #加载训练数据
b,alphas = smoP(dataArr, labelArr, 200, 0.0001, 10000, kTup)
datMat=mat(dataArr); labelMat = mat(labelArr).transpose()
svInd=nonzero(alphas.A>0)[0] #得到支持向量
sVs=datMat[svInd] #支持向量数据
labelSV = labelMat[svInd] #支持向量标签
print ("there are %d Support Vectors" % shape(sVs)[0])
m,n = shape(datMat)
errorCount = 0
for i in range(m):
kernelEval = kernelTrans(sVs,datMat[i,:],kTup) #计算各个点的核
predict=kernelEval.T * multiply(labelSV,alphas[svInd]) + b #预测分类平面
if sign(predict)!=sign(labelArr[i]): errorCount += 1
print ("the training error rate is: %f" % (float(errorCount)/m))
dataArr,labelArr = loadImages('testDigits') #加载测试数据
errorCount = 0
datMat=mat(dataArr); labelMat = mat(labelArr).transpose()
m,n = shape(datMat)
for i in range(m):
kernelEval = kernelTrans(sVs,datMat[i,:],kTup)
predict=kernelEval.T * multiply(labelSV,alphas[svInd]) + b
if sign(predict)!=sign(labelArr[i]): errorCount += 1
print ("the test error rate is: %f" % (float(errorCount)/m))
def img2vector(filename): # 读取数据到矩阵
returnVect = zeros((1,1024)) # 创建向量
fr = open(filename)
for i in range(32):
lineStr = fr.readline()
for j in range(32): # 将每行前32字符转成int存入向量
returnVect[0,32*i+j] = int(lineStr[j])
return returnVect
运行结果
如果labelMat[i]>0,其属于1类,若<0,属于-1类,验证结果:
手写数字的识别:
首先是alpha=20
接着alpha=10:
最后alpha=5:
最后附上testDigits测试文件
地址:百度云盘
链接:https://pan.baidu.com/s/1qeOBsij1DxssLaU14tMh_g
提取码:pvpg
注意:由于文件太多,运行时间会比较长,请耐心等待。