Python——支持向量机(SVM)

戏子无情 提交于 2019-11-27 03:25:06

SVM的目的是寻找区分两类的超平面(hyper plane),使边际(margin)最大。该超平面到一侧最近点的距离等于到另一侧最近点的距离,两侧的两个超平面平行。

线性可区分(linear separable):映射到直角平面坐标系就是可以直接用直线将其区分

线性不可区分(linear inseparable):映射到直角平面坐标系就是不可以直接用直线将其区分

定义与公式建立:

                                                                                   

W:weight vectot

                                                                                 

                             n是特征值的个数

反应在二维平面,其方程可写为:

                                                                                

则平面上方的样本满足:

                                                                                

则平面下方的样本满足:

                                                                               

调整weight,使超平面定义边际的两边:

                                                                        

  for 

                                                                       

  for 

即对二分类,定义超平面上方的样本标签都为+1,超平面下方的样本标签都为-1。

由两式可得:

                                                                          

    ,对所有i都成立           (1)

所有的坐落在两边的边际超平面上的点被称为支持向量(support vectors)

两边任意超平面上的点到中间超平面的距离为:

                                                                               

                       其中:

是向量的范数

                                                       if

    than  

所以最大边际距离为:

                                                                          

 

如何求超平面(MMH)?

1、公式(1)可以变为有限制的凸规划问题

2、利用KKT条件和拉格朗日公式,可以推出MMK可以被表示为以下决定边界:

                                                                    

   其中

是支持向量点

(support vector)的类别标记(class label),取+1或-1,

是要测试的实例,

都是单一数值型参数,

是支持向量的个数。

3、对于任何测试实例,带入以上公式,得出的符号是正负来决定其类别

代码实现1:

 from sklearn import svm x = [[2,0], [1,1], [2,3]]      #数据 y = [0, 0, 1] clf = svm.SVC(kernel= 'linear')   #核函数 clf.fit(x,y)         #用训练数据拟合分类器模型 print(clf)        #打印超平面的参数 print(clf.support_vectors_)    #打印分类器的支持向量点 print(clf.support_)            #打印分类器的支持向量点的索引 print(clf.n_support_)          #打印出有多少个点属于支持向量的 print(clf.predict([[2,0]]))    #预测[2,0]的类别

代码实现2:

 import numpy as np import pylab as pl              #画图 from sklearn import svm  np.random.seed(0) #随机产生点,20行2列,均值和方差都是2 X = np.r_[np.random.randn(20,2)-[2,2], np.random.randn(20,2)+[2,2]] Y = [0]*20 + [1]*20    #共有40列,1行 # print(Y)  clf = svm.SVC(kernel='linear') clf.fit(X,Y)  w = clf.coef_[0]            #截距 a = -w[0]/w[1]        #斜率 xx=np.linspace(-5,5)        #范围 yy = a * xx - (clf.intercept_[0]/w[1])      #直线  b = clf.support_vectors_[0] yy_down = a * xx + (b[1] - a * b[0])      #下边界 b = clf.support_vectors_[-1] yy_up = a * xx + (b[1] - a * b[0])         #下边界  print('w:',w) print('a:',a)  print('support_vectors_:',clf.support_vectors_) print('clf.coef_:',clf.coef_)  pl.plot(xx,yy,'k-') pl.plot(xx,yy_down,'k--') pl.plot(xx,yy_up,'k-')  pl.scatter(clf.support_vectors_[:,0], clf.support_vectors_[:,1],            s = 50, facecolors = 'none') pl.scatter(X[:,0], X[:,1],c = Y,cmap= pl.cm.Paired) pl.axis('tight') pl.show()

 

 

 

 

 

 

 

 

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!