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,和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()
来源:https://blog.csdn.net/qq_42006303/article/details/99292081