Press "Enter" to skip to content

【Python机器学习实战】感知机和支持向量机学习笔记(三)之SVM的实现

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

前面已经对感知机和SVM进行了简要的概述,本节是SVM算法的实现过程用于辅助理解SVM算法的具体内容,然后借助sklearn对SVM工具包进行实现。

 

SVM算法的核心是SMO算法的实现,首先对SMO算法过程进行实现,先对一些辅助函数进行定义:

 

 1 # 先定义一些辅助函数
 2 # 选取第二变量函数
 3 def select_J_rand(i, m):
 4     j=i
 5     while(j==i):
 6         j = int(random.uniform(0, m))
 7     return j
 8 
 9 # 定义对α进行裁剪的函数
10 def clip_alpha(aj, H, L):
11     if aj > H:
12         aj=H
13     if L > aj:
14         aj = L
15     return aj

 

然后实现一个简化版的SMO算法:

 

"""
Input:dataX, dataY, C(惩罚因子), toler(容忍度), iter_num
Output: alpha、b
"""
def smo_simple(dataX, dataY, C, toler, iter_num):
    dataMatrix = mat(dataX); labelMat = dataY.transpose()
    # 初始化参数
    b = 0; m, n = np.shape(dataMatrix)
    alphas = mat(np.zeros((m, 1)))
    iter = 0
    # 当超过迭代次数停止
    while iter < iter_num:
        # 记录α1和α2变化次数
        alphaPairsChanged = 0
        for i in range(m):
            # 计算f(xi),预测类别
            fXi = float(np.multiply(alphas, labelMat).T * (dataMatrix * dataMatrix[i, :].T)) + b
            # 计算误差
            Ei = fXi - float(labelMat[i])
            # 当不满足条件时,选取变量j,这里要判断α是否在[0,C]内,若超出范围则不再进行优化
            if ((labelMat[i] * Ei < -toler) and (alphas[i] < C)) or ((labelMat[i]*Ei > toler) and alphas[i] > 0):
                j = select_J_rand(i, m)
                # 计算x2的预测值y2
                fXj = float(np.multiply(alphas, labelMat).T * (dataMatrix * dataMatrix[j, :].T)) + b
                Ej = fXj - float(labelMat[j])
                alpha_I_old = alphas[i].copy()
                alpha_J_old = 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[i] + alphas[j] - C)
                    H = min(C, alphas[i] + alphas[j])
                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] * (Ej - Ei)/eta
                alphas[j] = clip_alpha(alphas[j], H, L)
                # 当α2不再变化
                if (abs(alphas[j]-alpha_J_old) < 0.00001):
                    print("j not moving enough")
                    continue
                # 更新α1    
                alphas[i] += labelMat[i] * labelMat[j] * (alpha_J_old - alphas[j])
                # 计算b1和b2      
                b1 = b - Ei - labelMat[i] * (alphas[i] - alpha_I_old) * dataMatrix[i, :] * dataMatrix[i, :].T - labelMat[j] * (alphas[j] - alpha_J_old) * dataMatrix[i, :] * dataMatrix[j, :].T
                b2 = b - Ej - labelMat[i] * (alphas[i] - alpha_I_old) * dataMatrix[i, :] * dataMatrix[j, :].T - labelMat[j] * (alphas[j] - alpha_J_old) * dataMatrix[j, :] * dataMatrix[j, :].T
                if (alphas[i] > 0) and (alphas[i] < C):
                    b = b1
                elif (alphas[j] > 0) and (alphas[j] < C):
                    b = b2
                else:
                    b = (b1 + b2)/2
                alphaPairsChanged += 1
        if alphaPairsChanged == 0:
            iter += 1
        else:
            iter = 0
        print("iteration number: %d"%iter)
    return b, alphas

 

SMO算法具有一定的随机性,因此每次运行的结果不一定相同。上面就是一个简单的SMO算法的实现部分,对于小批量数据可以满足需求,但当数据量过于庞大时,上面的算法的效率将会很慢,这是因为在α的选择问题上,下面提供一种改进的SMO算法,改进的SMO算法会通过一个外循环选择第一个α的值,选择方法是在遍历所有样本(数据集)和非边界α中进行扫描,所谓非边界α是指那些不等于0或者C的α值,建立这些α值的列表,在列表中进行遍历,并在扫描时跳过不再改变的α进行遍历。下面是具体实现过程

 

首先定义辅助函数用于存储和更新E,并建立一个数据结构存储变量

 

 1 # 首先建立3个辅助函数用于对E进行缓存,以及1种用于存储数据的数据结构
 2 # 存储变量的数据结构
 3 class optStruct:
 4     def __init__(self, dataX, dataY, C, toler):
 5         self.X = dataX
 6         self.Y = dataY
 7         self.C = C
 8         self.toler = toler
 9         self.m = np.shape(dataX)[0]
10         self.alphas = np.mat(zeros((self.m, 1)))
11         self.b = 0
12         # cache第一列为有效性标志位,第二列为E值
13         self.eCache = np.mat(np.zeros((self.m, 2)))
14 
15 # 计算E值并返回,由于频繁使用单独写成一个函数
16 def calcEk(oS, k):
17     fXk = float(np.multiply(oS.alphas, oS.labelMat).T * (oS.X * oS.X[k, :].T)) + oS.b
18     Ek = fXk - float(oS.labelMat[k])
19     return Ek
20 
21 # 用于选择第二个α的值,保证每次优化采用最大的步长
22 def select_J(i, oS, Ei):
23     maxK = -1; maxDeltaE = 0; Ej = 0
24     oS.eCache[i] = [1, Ei]
25     validEcacheList = nonzero(oS.eCache[:, 0].A)[0]
26     if len(validEcacheList) > 1:
27         for k in validEcacheList:
28             if k == i:
29                 continue
30             Ek = calcEk(oS, k)
31             deltaE = abs(Ei - Ek)
32             # 选择变化最大的那个
33             if deltaE > maxDeltaE:
34                 maxK = k
35                 maxDeltaE = deltaE
36                 Ej = Ek
37         return maxK, Ej
38     else:
39         j = select_J_rand(i, oS.m)
40         Ej = calcEk(oS, j)
41     return j, Ej
42 
43 
44 def updateEk(oS, k):
45     Ek = calcEk(oS, k)
46     oS.eCache[k] = [1, Ek]

 

接下来就是SMO算法的改进版本

 

 1 # 与simpleSMO一致,更新的alpha存入cache中
 2 def innerL(i, oS):
 3     Ei = calcEk(oS, i)
 4     if ((oS.labelMat[i] * Ei < -oS.toler) and (oS.alphas[i] < oS.C)) or ((oS.labelMat[i] * Ei > oS.toler) and (oS.alphas[i] > 0)):
 5         j, Ej = select_J(i, oS, Ei)
 6         alpha_I_old = oS.alphas[i].copy()
 7         alpha_J_old = oS.alphas[j].copy()
 8         if oS.labelMat[i] != oS.labelMat[j]:
 9             L = max(0, oS.alphas[j] - oS.alphas[i])
10             H = min(oS.C, oS.C+ oS.alphas[j] - oS.alphas[i])
11         else:
12             L = min(0, oS.alphas[i] + oS.alphas[j] - oS.C)
13             H = max(oS.C, oS.alphas[i] + oS.alphas[j])
14         if H == L:
15             return 0
16         eta = 2.0 * oS.X[i, :] * oS.X[j, :].T - oS.X[i, :] * oS.X[i, :].T - oS.X[j, :] * oS.X[j, :].T
17         if eta >= 0:
18             return 0
19         oS.alphas[j] -= oS.labelMat[j] * (Ei - Ej)/eta
20         oS.alphas[j] = clip_alpha(oS.alphas[j], H, L)
21         updateEk(oS, j)
22         if abs(oS.alphas[j] - alpha_J_old) < 0.00001:
23             return 0
24         oS.alphas[i] -= oS.labelMat[i] * oS.labelMat[j] * (oS.alphas[j] - alpha_J_old)
25         updateEk(oS, i)
26         b1 = oS.b - Ei - oS.labelMat[i] * (oS.alphas[i] - alpha_I_old) * oS.X[i, :] * oS.X[i, :].T - oS.labelMat[j] * (oS.alphas[j] - alpha_J_old) * oS.X[i, :] * oS.X[j, :].T
27         b2 = oS.b - Ej - oS.labelMat[i] * (oS.alphas[i] - alpha_I_old) * oS.X[i, :] * oS.X[j, :].T - oS.labelMat[j] * (oS.alphas[j] - alpha_J_old) * oS.X[j, :] * oS.X[j, :].T
28         if oS.alphas[i] > 0 and oS.alphas[i] < oS.C:
29             oS.b = b1
30         elif oS.alphas[j] > 0 and oS.alphas[j] < oS.C:
31             oS.b = b2
32         else:
33             os.b = (b1 + b2)/2
34         return 1
35     else:
36         return 0
37 
38 
39 def smoP(dataX, labelMat, C, toler, maxIter, kTup=('lin', 0)):
40     oS = optStruct(mat(dataX), mat(labelMat).transpose(), C, toler)
41     iter = 0
42     entireSet = True
43     alphaPairsChanged = 0
44     while (iter < maxIter) and alphaPairsChanged > 0 or entireSet:
45         alphaPairsChanged = 0
       # 搜索第一个变量的值,采用两个方法交替进行的方式,利用entireSet变量控制
46         # 第一种遍历全体样本
47         if entireSet:
48             for i in range(oS.m):
49                 alphaPairsChanged += innerL(i, oS)
50                 iter += 1
51         # 第二种遍历非边界样本
52         else:
53             nonBoundIs = nonzero((oS.alphas.A > 0) * oS.alphas.A < C)[0]
54             for i in nonBoundIs:
55                 alphaPairsChanged += innerL(i, oS)
56             iter += 1
57         if entireSet:
58             entireSet = False
59         elif alphaPairsChanged == 0:
60             entireSet = True
61     return oS.alphas, oS.b

 

获取到α的值后,则可以进一步求出模型的w和b,具体实现过程为:

 

1 def calW(alphas, dataArr, classLabels):
2     X = mat(dataArr)
3     labelMat = mat(classLabels).transpose()
4     m, n = shape(X)
5     w = zeros((m, 1))
6     for i in range(m):
7         w += multiply(alphas[i] * labelMat[i], X[i, :])
8     return w

 

上述即为SVM的实现过程,是对线性可分的数据的分类的实现过程,当对于非线性数据,需要运用到核函数,在实现过程中也较为简单,只需只需将(x i ·x j )替换为核函数即可,具体实现过程如下

 

1 # 首先原先的数据结构中要计算核矩阵,将下述代码加入数据结构代码部分即可
2 self.K = mat(zeros(self.m, self.m))
3 for i in range(self.m):
4     self.K[:, i] = kernelTrans(self.X, self.X[i, :], self.kTup)

 

接下来实现核转换函数

 

 1 def kernelTrans(X, A, kTup):
 2     m, n = shape(X)
 3     K = mat(zeros((m, 1)))
 4     if kTup['0'] == 'lin':
 5         K = X * A.T
 6     elif kTup[0] == 'rbf':
 7         for j in range(m):
 8             deltaRow = X[j, :] - A
 9             K[j] = deltaRow * deltaRow.T
10         K = exp(K/(-1 * kTup[1] ** 2))
11     else:
12         raise NameError('没有定义核函数')
13     return K

 

  然后需要在参数计算的函数中将对应的xi*xj替换为核函数即可:

 

1 # 首先是innerL中
2 eta = 2.0 * oS.K[i, j] - oS.K[i, i] - oS.K[j, j]
3 b1 = oS.b - Ei - oS.labelMat[i] * (oS.alphas[i] - alpha_I_old) * oS.K[i, i] - oS.labelMat[j] * (oS.alphas[j] - alpha_J_old) * oS.K[i, j]
4 b2 = oS.b - Ej - oS.labelMat[i] * (oS.alphas[i] - alpha_I_old) * oS.K[i, j] - oS.labelMat[j] * (oS.alphas[j] - alpha_J_old) * oS.K[j, j]
5 
6 # 然后是calcEk
7 fXk = float(multiply(oS.alphas, oS.labelMat).T * oS.K[:, k] + oS.b)

 

至此,SVM算法的实现过程基本已经完成了,接下来我们利用MNIST的数据集,对手写数字进行分类和辨识,MNIST手写辨识数据在网上就可以找到。

 

首先需要写一个读取数据的函数以及将函数图像转化为矩阵的函数:

 

1 def img2Vector(filename):
2     returnVec = zeros((1, 1024))
3     fr = open(filename)
4     for i in range(32):
5         lineStr = fr.readline()
6         for j in range(32):
7             returnVec[0, 32*i + j] = int(lineStr[j])
8     return returnVec

 

 1 def loadImages(dir):
 2     hwLabels = []
 3     trainingFileList = os.listdir(dir)
 4     m = len(trainingFileList)
 5     for i in range(m):
 6         fileNameStr = trainingFileList[i]
 7         fileStr = fileNameStr.split('.')[0]
 8         classNumStr = int(fileStr.split('_')[0])
      # 只考虑二分类问题
 9         if classNumStr == 9:
10             hwLabels.append(-1)
11         else:
12             hwLabels.append(1)
13         trainingMat[i, :] = img2Vector('%s/%s' % (dir, fileNameStr))
14     return trainingMat, hwLabels

 

然后编写主程序,用于分类和测试。

 

 1 def testDigits(kTup=('rbf', 10)):
    # 获取数据
 2     dataArr, labelArr = loadImages('trainingDigits')
    # 利用SMO算法求解出α和b
 3     alphas, b = smoP(dataArr, labelArr, 200, 0.0001, 10000, kTup)
 4     dataMat = mat(dataArr)
 5     labelMat = mat(labelArr).transpose()
    # 获取支持向量的索引
 6     svInd = nonzero(alphas.A > 0)[0]
    # 获取支持向量
 7     svs = dataMat[svInd]
 8     labelSv = labelMat[svInd]
 9     m, n = shape(dataMat)
10     errorCount = 0
11     for i in range(m):
12         kernelEval = kernelTrans(svs, dataMat[i, :], kTup)
13         predict = kernelEval.T * multiply(labelSv, alphas[svInd]) + b
14         if sign(predict) != sign(labelArr[i]):
15             errorCount += 1
16     print('there are %d Support Vectors'%shape(svs)[0])
17     print('the error rate is %f' % (errorCount / (len(labelMat))))
18     test_dataArr, test_labelArr = loadImages('testDigits')
19     test_dataMat = mat(test_dataArr)
20     test_labelMat = mat(test_labelArr).transpose()
21     m1, n1 = shape(test_dataMat)
22     test_errorCount = 0
23     for i in range(m1):
24         kernelEval = kernelTrans(svs, test_dataMat[i, :], kTup)
25         predict = kernelEval.T * multiply(labelSv, alphas[svInd]) + b
26         if sign(predict) != sign(test_labelArr[i]):
27             errorCount += 1
28     print('the error rate is %f' % (test_errorCount / (len(test_labelMat))))

 

输出结果如下:

 

 

至此,上述是一个完整的SVM算法用于二分类的实现过程,核函数可以进行修改和替换,同时,对于多分类情况相当于建立多个分类器进行分类,过程这里不再赘述,接下来,使用python中sklearn包对Mnist的数据集分类实现一遍。

 

首先是从sklearn导入svm包,并读取数据

 

1 from sklearn import svm
2 train_dataArr, train_labelArr = loadImages(dir)

 

然后是模型的初始化,这里模型中有一些参数,其具体说明如下

 

 1 model = svm.SVC(C=200, kernel='rbf', tol=1e-4, max_iter=-1, degree=3, gamma='auto_deprecated', coef0=0, shrinking=True,
 2                 probability=False, cache_size=200, verbose=False, class_weight=None, decision_function_shape='ovr')
 3 """
 4 C: 惩罚因子,默认为1.0,C越大,相当于惩罚松弛变量,希望松弛变量接近0,即对误分类的惩罚增大,趋向于对训练集全分对的情况,这样对训练集测试时准确率很高,但泛化能力弱。C值小,对误分类的惩罚减小,允许容错,将他们当成噪声点,泛化能力较强。
 5 tol: 容忍度阈值
 6 max_iter: 迭代次数
 7 kernel:核函数,包括:
 8                     linear(线性核):u*v
 9                     poly(多项式核):(gamma * u * v + coef0)^degree
10                     rbf(高斯核): exp(-gamma|u-v|^2)
11                     sigmoid核: tanh(gamma*u*v + coef0)
12 degree: 多项式核中的维度
13 gamma: 核函数中的参数,默认为“auto”,选择1/n_features
14 coef: 多项式核和simoid核中的常数项,仅对这两个核函数有效
15 probability: 是否采用概率估计,默认为False
16 shrinking: 是否采用shrinking heuristic方法,默认为true
17 cache_size: 核函数的缓存大小,默认为200
18 verbose: 是否允许冗余输出
19 class_weight: 类别权重
20 decision_function_shape: 可以取'ovo'一对一和'ovr'一对其他
21 """

 

然后就是数据进行训练,并查看训练准确率

 

1 model.fit(mat(train_dataArr), mat(train_labelArr).transpose())
2 train_score = model.score(mat(train_dataArr), mat(train_labelArr).transpose())
3 print('训练集上的准确率为%s'%train_score)
4 
5 test_dataArr, test_labelArr = loadImages('E:\资料\PythonML_Code\Charpter 5\data\\testDigits'.format(dir))
6 test_score = model.score(mat(test_dataArr), mat(test_labelArr).transpose())
7 print('测试集上的准确率为%f' % test_score)

 

最终结果为:

 

 

至此,SVM的基本内容已基本完毕,此外还有利用SVM进行线性回归的算法以及采用SVM算法进行半监督学习的算法,后面看到这一块会进一步完善这一块内容。

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注