關鍵術語
支持向量(Support Vector)
支持向量機(Support Vector Mechines,SVM)
序列最小優化(Sequential Minimal Optimization,SMO)
核函數(Kernel Function)
超平面(Hyperplane)
分隔超平面(Separating hyperplane)
點到分隔面的距離爲間隔(margin)
相關公式
分隔超平面的形式寫成:
要計算點A到分隔超平面的距離就必須給出點到分隔超平面的法線的長度,該值爲:
當計算點到分隔面的距離並確定分割面的放置位置時,間隔通過
如果數據點處於+1類並且離分隔超平面很遠的位置時
如果數據點處於-1類並且離分隔超平面很遠的位置時
目標:找出分類器定義中的w和b。
所以要找到最小間隔的數據點,即支持向量,找到最小間隔的數據點,就要對該間隔最大化,表示爲:
令所有支持向量的
該問題轉化爲帶約束條件的最優化問題,這裏的約束條件就是:
因此可以將超平面寫成數據點的形式:
其中
上面大公式的約束條件爲:
數據必須是100%線性可分。
因爲數據並不那麼幹淨,引入鬆弛變量,來允許有些數據點可以處於分隔面的錯誤一側,這樣優化目標保持不變,此時新的約束條件變爲:
一旦求出了所有的alpha,那麼分隔超平面就可以通過這些alpha來表達。SVM的主要工作就是求解這些alpha。
SMO(Sequential Minimal Optimization)算法
目標是求出一系列的alpha和b,一旦求出這些alpha就很容易計算出權重向量w並得到分隔超平面。
SMO算法的工作原理:每次循環中選擇兩個alpha進行優化處理。一旦找到一對合適的alpha,就增大一個同時減小另一個。而“合適”必須符合以下條件:
1. 兩個alpha必須在間隔邊界之外;
2. 兩個alpha還沒有進行過區間化處理或者不在邊界上。
《Mechine Learning in Action》中簡化版的SMO算法代碼解讀:svmLiA.py
'''
Created on 2016年10月10日
支持向量機練習
@author: laizhiwen
'''
import numpy as np
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
'''
i:第一個alpha的下標
m:所有alpha的數目
隨機產生不等於輸入值i的數
'''
def selectJrand(i,m):
j=i
while (j==i):
j = int(np.random.uniform(0,m))
return j
'''
調整大於H而小於L的alpha值
'''
def clipAlpha(aj,H,L):
if aj > H:
aj = H
if L > aj:
aj = L
return aj
'''
dataMatIn:樣本集
classLabels:每一條樣本數據對應的分類集
C: 常數
toler: 容錯率
maxIter:迭代次數
'''
def smoSimple(dataMatIn, classLabels, C, toler, maxIter):
dataMatrix = np.mat(dataMatIn);
labelMat = np.mat(classLabels).transpose()
b = 0
m,n = np.shape(dataMatrix)
alphas = np.mat(np.zeros((m,1)))
iter = 0
while (iter < maxIter):
alphaPairsChanged = 0 #記錄優化alpha值是否有效
for i in range(m):
#矩陣alphas,labelMat相乘得到一個m行1列矩陣,因爲都是m行單列矩陣,對應位置的元素相乘重新組成一個新的m行單列矩陣
#fXi是預測的類別,即預測的結果
fXi = float(np.multiply(alphas,labelMat).T * (dataMatrix*dataMatrix[i,:].T)) + b
Ei = fXi - float(labelMat[i]) #誤差 = 預測結果-真實結果,如果Ei很大就可以對alpha進行優化
#alpha不能等於0或C。如果if中等於0和C的話,那麼它們就已經在邊界上了,因而不能再減小和增大,也就不能再優化
if ((labelMat[i]*Ei < -toler) and (alphas[i] < C)) or \
((labelMat[i]*Ei > toler) and (alphas[i] > 0)):
j = selectJrand(i,m) #隨機選擇第二格alpha的值
#fXj是第二個alpha的誤差,計算方法同上
fXj = float(np.multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[j,:].T)) + b
Ej = fXj - float(labelMat[j])
alphaIold = alphas[i].copy()
alphaJold = alphas[j].copy()
#將alpha[j]調整到0和C之間,L=H則不做改變,直接下一個;
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是alpha[j]的最優修改量
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 #如果eta等於0則跳出本次迭代
alphas[j] -= labelMat[j]*(Ei - Ej)/eta #計算出新的alpha[j]
alphas[j] = clipAlpha(alphas[j],H,L) #調整alpha[j]
#判斷alpha[j]是否有輕微改變,是就退出本次循環進行下一次迭代
if (abs(alphas[j] - alphaJold) < 0.00001):
print("j not moving enough")
continue
alphas[i] += labelMat[j]*labelMat[i]*(alphaJold - alphas[j])
#給兩個alpha值設置常數項b
b1 = b - Ei- labelMat[i]*(alphas[i]-alphaIold)*dataMatrix[i,:]*dataMatrix[i,:].T - \
labelMat[j]*(alphas[j]-alphaJold)*dataMatrix[i,:]*dataMatrix[j,:].T
b2 = b - Ej- labelMat[i]*(alphas[i]-alphaIold)*dataMatrix[i,:]*dataMatrix[j,:].T - \
labelMat[j]*(alphas[j]-alphaJold)*dataMatrix[j,:]*dataMatrix[j,:].T
if (0 < alphas[i]) and (C > alphas[i]):
b = b1
elif (0 < alphas[j]) and (C > alphas[j]):
b = b2
else:
b = (b1 + b2)/2.0
#如果成行執行到此都沒有遇到過continue語句,就已經改變了一堆alpha了
alphaPairsChanged += 1
print("iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged) )
#判斷alpha值是否做了更新,如果做了更新就將iter設置爲0,繼續執行程序
if (alphaPairsChanged == 0):
iter += 1
else:
iter = 0
print("iteration number: %d" % iter)
return b,alphas
dataArr,labelArr = loadDataSet('E:/4.開發書籍/machinelearninginaction/Ch06/testSet.txt')
print(labelArr)
b,alphas = smoSimple(dataArr, labelArr, 0.6, 0.001, 40)
print(b)
print(alphas[alphas>0])
for i in range(100):
if alphas[i]>0.0:
print(dataArr[i],labelArr[i])
至此,SMO算法的基本邏輯已經清晰。