SVM 支持向量机算法(Support Vector Machine )【Python机器学习系列(十四)】
文章目录
- 1.SVM简介
- 2. SVM 逻辑推导
* - 2.1 Part1 化简限制条件
- 2.2 Part2 SVM拉格朗日乘子法求解
- 2.3 Part3 求解超平面
- 3.核函数
- 4. 软间隔支持向量机
- 5. 支持向量回归 SVR
- 6.python实现支持向量机
* - 6.1 方法详解
- 6.2 案例展示
ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ
ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ
; 1.SVM简介
在深度学习出现之前,支持向量机 被称为表现最好的算法。支持向量机算法适用于一些复杂数据的分类。现在更多用的是深度学习,深度学习的效果大于SVM。但是SVM作为经典算法,还是十分重要,是学习机器学习过程的必修内容。
SVM具有两个特点:1.适合小样本。2.数学逻辑优美。
支持向量机算法分为 线性可分的支持向量机 和 非线性可分的支持向量机。
线性可分样本集:只要我们可以用一条直线可以把样本集的两类完全分开,就可以将其称为线性可分样本集。反之,称为非线性可分样本集。
支持向量机的超平面具有唯一性。可以分割样本数据的线(或超平面)存在有无数条,但是只有一条是最好的。找到这条线(或超平面),是支持向量机算法要做的。
SVM算法的目标即为:找到使分类间隔最小距离d 最大的超平面。
- SVM 逻辑推导
2.1 Part1 化简限制条件
给定样本数据集,假设样本特征为 X,样本标签为y。
每个样本的特征值可以展示为:x 1 x_1 x 1 ,x 2 x_2 x 2 ,x 3 x_3 x 3 ,…x n x_n x n 。y 的取值只能有+1和-1.
欲将这些样本分为二类,则需要找到中间的超平面。该超平面表示为:
ω T x + b = 0 \omega^Tx + b = 0 ωT x +b =0
其中 ω \omega ω 称为法向量,其决定了超平面的方向。
点到超平面的距离可以表示为
r i = ∣ ω T x i + b ∣ ∣ ∣ ω ∣ ∣ r_i = \frac{|\omega^Tx_i + b |}{||\omega||}r i =∣∣ω∣∣∣ωT x i +b ∣
这里的x i x_i x i 指的不再是超平面上的点,而是样本点的向量。
以二维的情况中点与线的关系为例进行说明,假设有一个点 点A(m,n) 和一条线ax+by+c=0,则当点在线上时,直线的等号会刚好成立。当点分布于直线的两侧时,分别可写作am+bn+c>0,am+bn+c
其中,位于超平面 ω T x i + b = 0 \omega^Tx_i + b = 0 ωT x i +b =0 左右的标签对应的y_i的正负不要设定反了,只有设定正确该公式才可以保证得到正值。不然的话保证得到的就会是负值。
然后就是要寻找 支持向量。支持向量是距离超平面最近的点的向量,分布在超平面的两边,所以这样的点至少有两个,即支持向量至少有两个。(至少左右各一个)。
我们下一步要做的,即:求r i r_i r i 关于x i x_i x i 的极小值,再求该极小值关于ω \omega ω和b b b的极大值。
对该距离公式的分子, ω T x i + b \omega^Tx_i + b ωT x i +b,即超平面的方程 ω T x + b = 0 \omega^Tx + b = 0 ωT x +b =0 的一部分,考虑到超平立面的方程,就像二维的直线方程一样是可以放缩的(登号两边同乘以一个数),因此可以通过放缩,使得 ω T x i + b = 1 \omega^Tx_i + b =1 ωT x i +b =1成立。以此作为限制条件,这样就可以把分母消去了。
该约束条件可表示为
r i = ω T x i + b ∣ ∣ ω ∣ ∣ y i ≥ 1 ∣ ∣ ω ∣ ∣ r_i =\frac{\omega^Tx_i + b}{||\omega||}y_i≥\frac{1}{||\omega||}r i =∣∣ω∣∣ωT x i +b y i ≥∣∣ω∣∣1
提示:这里的限制条件只用了一个表达式表示,实际上有m个(m也是样本点的个数)。每个样本点对应一个限制条件。
当且仅目标当样本x i x_i x i 为支持向量时,等号成立,取得点到超平面的最小距离1 ∣ ∣ ω ∣ ∣ \frac{1}{||\omega||}∣∣ω∣∣1 。
目标函数,即点到超平面的最小距离1 ∣ ∣ ω ∣ ∣ \frac{1}{||\omega||}∣∣ω∣∣1 。要使该最小距离最大化,即∣ ∣ ω ∣ ∣ ||\omega||∣∣ω∣∣最小,为了后边计算方便,进一步将研究问题及表达式转化为,求1 2 ∣ ∣ ω ∣ ∣ 2 \frac{1}{2}||\omega||^2 2 1 ∣∣ω∣∣2关于ω \omega ω和b b b的最小值。
目标函数即:
m i n ω , b 1 2 ∣ ∣ ω ∣ ∣ 2 min_{\omega,b}\frac{1}{2}||\omega||^2 mi n ω,b 2 1 ∣∣ω∣∣2
进一步,限制条件可再转化为:
( ω T x i + b ) y i − 1 ≥ 0 (\omega^Tx_i + b)y_i-1 ≥ 0 (ωT x i +b )y i −1 ≥0
2.2 Part2 SVM拉格朗日乘子法求解
现在我们已经得到了目标函数表达式与限制条件的表达式,可以使用拉格朗日乘子法对其进行求解。
构建拉格朗日函数表达式如下:
L ( ω , b , λ ) = 1 2 ∣ ∣ ω ∣ ∣ 2 + ∑ i = 1 m λ i [ 1 − ( ω T x i + b ) y i ] L(\omega,b,\lambda)=\frac{1}{2}||\omega||^2+\sum_{i=1}^{m}{\lambda_i}{[1-(\omega^Tx_i+b)y_i]}L (ω,b ,λ)=2 1 ∣∣ω∣∣2 +∑i =1 m λi [1 −(ωT x i +b )y i ]
= 1 2 ω T ω + ∑ i = 1 m λ i [ 1 − ( ω T x i + b ) y i ] =\frac{1}{2}\omega^T \omega+\sum_{i=1}^{m}{\lambda_i}{[1-(\omega^Tx_i+b)y_i]}=2 1 ωT ω+∑i =1 m λi [1 −(ωT x i +b )y i ]
目标问题是一个 凸二次规划问题:目标函数是二次型函数,且约束函数是仿射函数。所以该问题有全局最小值。
其中,λ \lambda λ是拉格朗日乘子,这里的m是样本的个数,每个样本对应一个拉格朗日算子,共计m个拉格朗日算子,对应m个限制条件。
对 F ( ω , b , λ ) 对F(\omega,b,\lambda)对F (ω,b ,λ)求关于ω \omega ω 和 b b b的偏导,并令其为0,再求解:
∂ L ( ω , b , λ ) ∂ ω = ω − ∑ i = 1 m λ i y i x i = 0 \frac{∂L(\omega,b,\lambda)}{∂\omega}=\omega-\sum_{i=1}^{m}\lambda_iy_ix_i=0 ∂ω∂L (ω,b ,λ)=ω−∑i =1 m λi y i x i =0
∂ L ( ω , b , λ ) ∂ b = − ∑ i = 1 m λ i y i = 0 \frac{∂L(\omega,b,\lambda)}{∂b}=-\sum_{i=1}^{m}\lambda_iy_i=0 ∂b ∂L (ω,b ,λ)=−∑i =1 m λi y i =0
解得
ω = ∑ i = 1 m λ i y i x i \omega=\sum_{i=1}^{m}\lambda_iy_ix_i ω=∑i =1 m λi y i x i
0 = ∑ i = 1 m λ i y i 0=\sum_{i=1}^{m}\lambda_iy_i 0 =∑i =1 m λi y i
将求解结果带回原L ( ω , b , λ ) L(\omega,b,\lambda)L (ω,b ,λ),并进一步化简得:
L ( ω , b , λ ) = 1 2 ω T ω + ∑ i = 1 m λ i − ω T ∑ i = 1 m λ i y i x i − b ∑ i = 1 m λ i y i L(\omega,b,\lambda)=\frac{1}{2}\omega^T \omega+\sum_{i=1}^{m}\lambda_i -\omega^T\sum_{i=1}^{m}\lambda_iy_ix_i-b\sum_{i=1}^{m}\lambda_iy_i L (ω,b ,λ)=2 1 ωT ω+∑i =1 m λi −ωT ∑i =1 m λi y i x i −b ∑i =1 m λi y i
= ∑ i = 1 m λ i − 1 2 ω T ω =\sum_{i=1}^{m}\lambda_i-\frac{1}{2}\omega^T\omega =∑i =1 m λi −2 1 ωT ω
= ∑ i = 1 m λ i − 1 2 ( ∑ i = 1 m λ i y i x i ) T ( ∑ i = 1 m λ i y i x i ) =\sum_{i=1}^{m}\lambda_i – \frac{1}{2}( \sum_{i=1}^{m}\lambda_iy_ix_i)^T (\sum_{i=1}^{m}\lambda_iy_ix_i)=∑i =1 m λi −2 1 (∑i =1 m λi y i x i )T (∑i =1 m λi y i x i )
= ∑ i = 1 m λ i − 1 2 ∑ i = 1 m ∑ j = 1 m λ i λ j y i y j x i T x j =\sum_{i=1}^{m}\lambda_i-\frac{1}{2}\sum_{i=1}^{m}\sum_{j=1}^{m}\lambda_i\lambda_jy_iy_jx_i^Tx_j =∑i =1 m λi −2 1 ∑i =1 m ∑j =1 m λi λj y i y j x i T x j
上边已经说到,将这两个表达式带入L ( ω , b , λ ) L(\omega,b,\lambda)L (ω,b ,λ)后,我们得到的新的表达式中已经没有了ω \omega ω和b b b,只剩下的参数为λ \lambda λ,这个新表达式的限制条件即为我们带入的两个式子,这两个式子表示该表达式关于ω \omega ω和b b b的极小值。
进而求关于λ \lambda λ的极值,到此要求解的函数已经转化为:
∑ i = 1 m λ i − 1 2 ∑ i = 1 m ∑ j = 1 m λ i λ j y i y j x i T x j \sum_{i=1}^{m}\lambda_i-\frac{1}{2}\sum_{i=1}^{m}\sum_{j=1}^{m}\lambda_i\lambda_jy_iy_jx_i^Tx_j ∑i =1 m λi −2 1 ∑i =1 m ∑j =1 m λi λj y i y j x i T x j
要求解的是该式关于λ \lambda λ的极大值,所以也即求解
1 2 ∑ i = 1 m ∑ j = 1 m λ i λ j y i y j x i T x j − ∑ i = 1 m λ i \frac{1}{2}\sum_{i=1}^{m}\sum_{j=1}^{m}\lambda_i\lambda_jy_iy_jx_i^Tx_j-\sum_{i=1}^{m}\lambda_i 2 1 ∑i =1 m ∑j =1 m λi λj y i y j x i T x j −∑i =1 m λi
的极小值。
限制条件为:
s . t . s.t.s .t . ∑ i = 1 m λ i y i = 0 \sum_{i=1}^{m}\lambda_iy_i=0 ∑i =1 m λi y i =0
λ i ≥ 0 \lambda_i≥0 λi ≥0, i=1,2,…,m
2.3 Part3 求解超平面
目标函数:
m i n ω , b min_{\omega,b}mi n ω,b 1 2 ∑ i = 1 m ∑ j = 1 m λ i λ j y i y j x i T x j − ∑ i = 1 m λ i \frac{1}{2}\sum_{i=1}^{m}\sum_{j=1}^{m}\lambda_i\lambda_jy_iy_jx_i^Tx_j-\sum_{i=1}^{m}\lambda_i 2 1 ∑i =1 m ∑j =1 m λi λj y i y j x i T x j −∑i =1 m λi
限制条件:
s . t . s.t.s .t . ∑ i = 1 m λ i y i = 0 \sum_{i=1}^{m}\lambda_iy_i=0 ∑i =1 m λi y i =0
λ i ≥ 0 \lambda_i≥0 λi ≥0, i=1,2,…,m
然后接下来,不难发现这是一个二次规划问题,将每个样本点的x i x_i x i 、y i y_i y i 替换为样本值数字,然后求目标函数关于λ 1 \lambda_1 λ1 ,λ 2 \lambda_2 λ2 ,… ,λ n \lambda_n λn 的偏导数,并令其等于0,从而得到m个等式,联立这 m 个等式,以及∑ i = 1 m λ i y i = 0 \sum_{i=1}^{m}\lambda_iy_i=0 ∑i =1 m λi y i =0进行求解。理论上即可以求出λ 1 \lambda_1 λ1 ,λ 2 \lambda_2 λ2 ,… ,λ n \lambda_n λn 的值。
再将这些值代入表达式 ω ∗ = ∑ i = 1 m λ i y i x i \omega^=\sum_{i=1}^{m}\lambda_iy_ix_i ω∗=∑i =1 m λi y i x i 即可求解出 ω ∗ \omega^ω∗。(ω 1 \omega_1 ω1 , ω 2 \omega_2 ω2 , … , ω n \omega_n ωn )
再由公式
b ∗ = y − ∑ i = 1 m λ i y i x i T x i b^* =y-\sum_{i=1}^{m}\lambda_iy_ix_i^Tx_i b ∗=y −∑i =1 m λi y i x i T x i
代入支持向量,即可求得参数b的值。这是一种解方程的思路。但是这种方法过于繁琐,只是理论上可行。
在解决这个问题方面,先辈们提出了很多高效的算法,比如 SMO算法
(Sequential Minimal Optimization)。
使用梯度下降法,也可以如愿求得超平面的方程。
最后,根据下式(符号函数sgn)即可对样本数据进行分类:
f ( x ) = s g n ( ω ∗ T x + b ∗ ) f(x)=sgn(\omega^{T}x+b^)f (x )=s g n (ω∗T x +b ∗)
3.核函数
到此我们已经完整地实现了线性可分的支持向量机。但是现实中目标数据未必一直是线性可分的。面对这样的情况,我们可以使用 核函数 对原始目标数据进行”升维”操作。
如果原始数据是有限维的,那么一定会存在一个更高维的特征空间使得样本线性可分。
用ϕ ( x ) \phi(x)ϕ(x )表示x x x经过映射后的特征向量,则核函数可以表示为
k ( x i , x j ) = < ϕ ( x i ) , ϕ ( x j ) > = ϕ ( x i ) T ϕ ( x j ) k(x_i,x_j)=k (x i ,x j )=<ϕ(x i ),ϕ(x j )>=ϕ(x i )T ϕ(x j )
核函数的具体形式我们通常是不知道的。
但是 核函数定理
表明,只要一个对称函数(k ( x i , x i ) k(x_i,x_i)k (x i ,x i ))对应的核矩阵半正定,它就能作为核函数使用。
几种常用的核函数如下:
核函数描述参数线性核
k ( x i , x j ) = x i T x j k(x_i,x_j)=x_i^Tx_j k (x i ,x j )=x i T x j
无多项式核
k ( x i , x j ) = ( x i T x j ) d k(x_i,x_j)=(x_i^Tx_j)^d k (x i ,x j )=(x i T x j )d d ≥ 1 d≥1 d ≥1
,表示多项式的次数高斯核
k ( x i , x j ) = e x p ( − ∣ ∣ x i − x j ∣ ∣ 2 2 σ 2 ) k(x_i,x_j)=exp(-\frac{||x_i-x_j||^2}{2\sigma^2})k (x i ,x j )=e x p (−2 σ2 ∣∣x i −x j ∣∣2 )σ > 0 \sigma>0 σ>0
,为高斯核的带宽(width)拉普拉斯核
k ( x i , x j ) = e x p ( − ∣ ∣ x i − x j ∣ ∣ σ ) k(x_i,x_j)=exp(-\frac{||x_i-x_j||}{\sigma})k (x i ,x j )=e x p (−σ∣∣x i −x j ∣∣)σ > 0 \sigma>0 σ>0
Sigmoid核
k ( x i , x j ) = t a n h ( β x i T + θ ) k(x_i,x_j)=tanh(\beta x_i^T+\theta)k (x i ,x j )=t anh (βx i T +θ)
tanh是双曲正切函数,
β > 0 , θ < 0 \beta>0,\theta
其中,高斯核函数,也称径向基函数(Radial Basis Function 简称RBF)。
此外,核函数也可以通过多个核函数与正数的线性组合得到,如 a k 1 + b k 2 ak_1+bk_2 a k 1 +b k 2 ;
也可以通过两个核函数的直积得到:k 1 ( x , z ) k 2 ( x , z ) k_1(x,z)k_2(x,z)k 1 (x ,z )k 2 (x ,z );
也可以通过任意函数g(x)得到:g ( x ) k 1 ( x , z ) g ( z ) g(x)k1(x,z)g(z)g (x )k 1 (x ,z )g (z )。
- 软间隔支持向量机
线性可分支持向量机中的约束条件要求所有的样本都必须划分正确,这个间隔称为”硬间隔”。这也导致线性可分的支持向量机可能带来过拟合的问题,为了缓解这个问题,可以通过使用 软间隔 来允许支持向量机在对少数样本分类时出错。
于是,经过优化的目标函数可以写为:
m i n ω , b min_{\omega,b}mi n ω,b 1 2 ∣ ∣ ω ∣ ∣ 2 + C ∑ i = 1 m φ 0 / 1 ( y i ( ω T x i + b ) − 1 ) \frac{1}{2}||\omega||^2+C\sum_{i=1}^{m}\varphi_{0/1}(y_i(\omega^Tx_i+b)-1)2 1 ∣∣ω∣∣2 +C ∑i =1 m φ0/1 (y i (ωT x i +b )−1 )
其中,C>0,C是一个常数。C越大,则分类的准确性就会越高,但是会因为过拟合导致,泛化能力会变差
C越小则分类的准确性会越低。
φ 0 / 1 \varphi_{0/1}φ0/1 是损失函数:
φ 0 / 1 ( z ) = { 1 , i f z < 0 ; 0 , o t h e r w i s e \varphi_{0/1}(z)=\left{ \begin{aligned} 1 &,& if\quad z
然而这个损失函数的性质不太好导致后续不易求解,所以可以使用”替代损失”函数,
三种常用的替代损失函数如下:
hinge损失:φ h i n g e ( z ) = m a x ( 0 , 1 − z ) \varphi_{hinge}(z)=max(0,1-z)φhin g e (z )=ma x (0 ,1 −z )
指数损失φ e x p o n e n t i a l l o s s = e x p ( − z ) \varphi_{exponential loss}=exp(-z)φe x p o n e n t ia ll oss =e x p (−z )
对率损失φ l o g i s t i c l o s s = l o g ( 1 + e x p ( − z ) ) \varphi_{logistic loss}=log(1+exp(-z))φl o g i s t i c l oss =l o g (1 +e x p (−z ))
- 支持向量回归 SVR
线性可分的支持向量机SVM通过求解出的超平面对数据进行分类,因此该算法不仅仅可以分类,也可以稍作迁移,当作回归算法来使用。求解超平面的过程,也即求解回归方程的过程,该过程被称为支持向量回归(SVR)。
显然,支持向量回归不同于传统的回归过程,传统的回归过程会计算所有回归值与真实值之间的损失,但是SVR则会假设一个ϵ \epsilon ϵ作为一个偏差值,只有当真实值与回归值的差别绝对值大于ϵ \epsilon ϵ时,才会计算损失。(即形成了一条”隔离带”,在隔离带外的点才计算损失)
6.python实现支持向量机
6.1 方法详解
sklearn.svm中提供了SVC, SVR,LinearSVC, LinearSVR, NuSVC, NuSVR, OneClassSVM, l1_min_c一系列类。
其中,SVC和SVR分别对应着通用的 支持向量机 和 支持向量回归,可以通过改变其参数来灵活应用。默认使用高斯核函数(即默认参数 kernel=”rbf”)。参数C即正则化常数,默认为1且大于0,正则化的程度与C成反比,C越大,则算法区域迫使所有样本满足约束,以至于可能导致过拟合;C取有限制时则会允许一些样本不满足约束。
其中,使用核函数时,参数kernel可用的值汇总如下:
参数值描述’rbf’高斯核函数,也称径向基函数,是默认值’linear’线性核函数’poly’多项式核函数’sigmoid’Sigmoid核函数’precomputed’自定义核
LinearSVC, LinearSVR即为线性支持向量机,和线性支持向量回归,相当于是指定使用线性核的SVC和SVR。所以没有kernel参数,不能指定核函数。
NuSVC支持向量机,NuSVR支持向量回归,与SCV和SCR不同的是,NuSVC支持向量机和NuSVR支持向量回归没有参数C,但是有一个nu参数。
参数nu代表训练集训练的错误率的上限,或者说是支持向量的百分比下限,取值范围为(0,1],默认为0.5.它和惩罚系数C类似,都可以控制惩罚的力度。nu可以理解为是C的再参数化,在数学上是等效的。
此外,其默认也是使用rbf核函数(高斯核函数)。
类OneClassSVM实现了一个用于离群点检测的类;l1_min_c是用于计算C的下界,以便获得非”空”(所有特征权重为零)模型的。这里在这方面不做过多深入。
6.2 案例展示
使用支持向量机对葡萄酒数据进行分类为例,过程中 使用线性核函数,且指定 正则化常数C为2(默认为1)。算法的逻辑虽然有些复杂,但是代码非常简单。
from sklearn.svm import SVC
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
wine = load_wine()
x_data = wine.data
y_data = wine.target
x_train, x_test, y_train, y_test = train_test_split(x_data, y_data, random_state=1)
model = SVC(C=2, kernel='linear')
model.fit(x_train, y_train)
test_score = model.score(x_test,y_test)
pred = model.predict(x_test)
print('模型得分:{:.3f}'.format(model.score(x_test, y_test)))
print(pred)
模型得分与预测结果如下图所示:
本次分享就到这里,小啾感谢您的关注与支持!
🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ
本专栏更多好文欢迎点击下方连接:
Original: https://blog.csdn.net/weixin_48964486/article/details/126164733
Author: 侯小啾
Title: SVM 支持向量机算法(Support Vector Machine )【Python机器学习系列(十四)】
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/619253/
转载文章受原作者版权保护。转载请注明原作者出处!