在复杂数据上应用核函数
像这种非线性可分的情况,但是该数据又存在某种可以识别的模式。我们就要使用一种称为 核函数(kernel) 的工具将数据转换成易于分类器理解的形式。
1、利用核函数将数据映射到高维空间
上图所示,数据点处于一个圆中,人们大脑能意识到,但是分类器只能识别分类器的结果大于0还是小于0。所以我们在二维坐标轴中插入直线,效果并不理想。所以考虑一种方法,可以对圆中的数据进行某种形式的转换,得到新的变量来表示数据。在这种情况下更容易得到大于0或则小于0的测试结果。在这里例子中,我们将数据从一个特征空间转换到另一个特征空间,在新的空间下处理数据,称之为 一个特征空间到另一个特征空间的映射。
通常这种映射是通过核函数来实现的。它能把数据从某些难以处理的形式,转化为另一个比较容易的处理形式。或则说是另一种距离计算方法。
SVM优化中一个特别好的地方在于,所有运算都可以写成 内积 的形式。向量的内积就是两个向量相乘,得到数值。我们可以把内积替换成核函数,而不必做简化处理。将内积转化为核函数,称为核技巧。
2、流行的核函数:径向基函数
径向基函数是最常用的核函数之一。是一个采用向量作为自变量的函数,能基于向量距离运算输出一个标量。这个距离可以是从<0,0>向量或则其他向量开始计算的距离。
径向基函数的高斯版本:
上述高斯核函数将数据从其特征空间映射到更高维的空间,具体来说这里是映射到无穷维的空间。对于上面的例子来说,我们意识到数据基本都在一个圆内,我们只需要度量数据点到圆心的距离即可。当然如果我们碰到了一个不是这种形式的数据集,那么我们就会陷入困境。在该数据集上使用高斯核函数可以得到很好的结果,当然在其他数据集上也能得到低错误率的结果。
下面我们对上次的代码进行修改使用核函数:
#kTup是一个包含核函数信息的元组 def kernelTrans(X, A, kTup): m,n = shape(X) K = mat(zeros((m,1))) if kTup[0] == 'lin': K=X*A.T elif kTup[0] == 'rbf': for j in range(m): deltaRow = X[j,:] - A K[j] = deltaRow*deltaRow.T K = exp(K/(-1*kTup[1]**2)) else: raise NameError("error") return K class optStruct: def __init__(self,dataMatIn, classLabels, C, toler,kTup): # Initialize the structure with the parameters self.X = dataMatIn self.labelMat = classLabels self.C = C self.tol = toler self.m = shape(dataMatIn)[0] self.alphas = mat(zeros((self.m,1))) self.b = 0 self.eCache = mat(zeros((self.m,2))) #first column is valid flag self.K = mat(zeros((self.m, self.m))) #计算k矩阵,只需计算一次 #kTup第一个参数:核函数类型的字符串 #另外两个参数:核函数需要的可选参数 for i in range(self.m): self.K[:,i] = kernerlTrans(self.X, self.X[i,:], kTup) def calcEk(oS, k): fXk = float(multiply(oS.alphas,oS.labelMat).T*oS.K[:,k] + oS.b) Ek = fXk - float(oS.labelMat[k]) return Ek def selectJ(i, oS, Ei): #this is the second choice -heurstic, and calcs Ej maxK = -1; maxDeltaE = 0; Ej = 0 oS.eCache[i] = [1,Ei] #set valid #choose the alpha that gives the maximum delta E validEcacheList = nonzero(oS.eCache[:,0].A)[0] if (len(validEcacheList)) > 1: for k in validEcacheList: #loop through valid Ecache values and find the one that maximizes delta E if k == i: continue #don't calc for i, waste of time Ek = calcEk(oS, k) deltaE = abs(Ei - Ek) if (deltaE > maxDeltaE): maxK = k; maxDeltaE = deltaE; Ej = Ek return maxK, Ej else: #in this case (first time around) we don't have any valid eCache values j = selectJrand(i, oS.m) Ej = calcEk(oS, j) return j, Ej def updateEk(oS, k):#after any alpha has changed update the new value in the cache Ek = calcEk(oS, k) oS.eCache[k] = [1,Ek] def innerL(i, oS): Ei = calcEk(oS, i) if ((oS.labelMat[i]*Ei < -oS.tol) and (oS.alphas[i] < oS.C)) or ((oS.labelMat[i]*Ei > oS.tol) and (oS.alphas[i] > 0)): j,Ej = selectJ(i, oS, Ei) #this has been changed from selectJrand alphaIold = oS.alphas[i].copy(); alphaJold = oS.alphas[j].copy(); if (oS.labelMat[i] != oS.labelMat[j]): L = max(0, oS.alphas[j] - oS.alphas[i]) H = min(oS.C, oS.C + oS.alphas[j] - oS.alphas[i]) else: L = max(0, oS.alphas[j] + oS.alphas[i] - oS.C) H = min(oS.C, oS.alphas[j] + oS.alphas[i]) if L==H: print ("L==H"); return 0 eta = 2.0 * oS.K[i,j] - oS.K[i,i] - oS.K[j,j] #changed for kernel if eta >= 0: print ("eta>=0"); return 0 oS.alphas[j] -= oS.labelMat[j]*(Ei - Ej)/eta oS.alphas[j] = clipAlpha(oS.alphas[j],H,L) updateEk(oS, j) #added this for the Ecache if (abs(oS.alphas[j] - alphaJold) < 0.00001): print ("j not moving enough"); return 0 oS.alphas[i] += oS.labelMat[j]*oS.labelMat[i]*(alphaJold - oS.alphas[j])#update i by the same amount as j updateEk(oS, i) #added this for the Ecache #the update is in the oppostie direction b1 = oS.b - Ei- oS.labelMat[i]*(oS.alphas[i]-alphaIold)*oS.K[i,i] - oS.labelMat[j]*(oS.alphas[j]-alphaJold)*oS.K[i,j] b2 = oS.b - Ej- oS.labelMat[i]*(oS.alphas[i]-alphaIold)*oS.K[i,j]- oS.labelMat[j]*(oS.alphas[j]-alphaJold)*oS.K[j,j] if (0 < oS.alphas[i]) and (oS.C > oS.alphas[i]): oS.b = b1 elif (0 < oS.alphas[j]) and (oS.C > oS.alphas[j]): oS.b = b2 else: oS.b = (b1 + b2)/2.0 return 1 else: return 0 def smoP(dataMatIn, classLabels, C, toler, maxIter,kTup=('lin', 0)): #full Platt SMO oS = optStruct(mat(dataMatIn),mat(classLabels).transpose(),C,toler, kTup) iter = 0 entireSet = True; alphaPairsChanged = 0 while (iter < maxIter) and ((alphaPairsChanged > 0) or (entireSet)): alphaPairsChanged = 0 if entireSet: #go over all for i in range(oS.m): alphaPairsChanged += innerL(i,oS) print ("fullSet, iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged)) iter += 1 else:#go over non-bound (railed) alphas nonBoundIs = nonzero((oS.alphas.A > 0) * (oS.alphas.A < C))[0] for i in nonBoundIs: alphaPairsChanged += innerL(i,oS) print ("non-bound, iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged)) iter += 1 if entireSet: entireSet = False #toggle entire set loop elif (alphaPairsChanged == 0): entireSet = True print ("iteration number: %d" % iter) return oS.b,oS.alphas
为了使用核函数,先期的两个函数需要一些修改。
在测试中使用核函数:
#利用核函数进行分类的径向基测试 def testRbf(k1=1.3): dataArr,labelArr = loadDataSet('testSetRBF.txt') b,alphas = smoP(dataArr, labelArr, 200, 0.0001, 10000, ('rbf', k1)) #C=200 important datMat=mat(dataArr); labelMat = mat(labelArr).transpose() #矩阵.A 转化为数组类型 svInd=nonzero(alphas.A>0)[0] print(svInd) print('**********************') sVs=datMat[svInd] #get matrix of only support vectors labelSV = labelMat[svInd]; print ("there are %d Support Vectors" % shape(sVs)[0]) m,n = shape(datMat) errorCount = 0 for i in range(m): kernelEval = kernelTrans(sVs,datMat[i,:],('rbf', k1)) predict=kernelEval.T * multiply(labelSV,alphas[svInd]) + b if sign(predict)!=sign(labelArr[i]): errorCount += 1 print ("the training error rate is: %f" % (float(errorCount)/m)) dataArr,labelArr = loadDataSet('testSetRBF2.txt') errorCount = 0 datMat=mat(dataArr); labelMat = mat(labelArr).transpose() m,n = shape(datMat) for i in range(m): kernelEval = kernelTrans(sVs,datMat[i,:],('rbf', k1)) predict=kernelEval.T * multiply(labelSV,alphas[svInd]) + b if sign(predict)!=sign(labelArr[i]): errorCount += 1 print ("the test error rate is: %f" % (float(errorCount)/m))
上述代码只有一个可选的输入参数,就是高斯径向基函数中的一个用户定义变量。
优化过程中寻找alpha非0的值,从而得到对应的支持向量,也得到了这些支持向量和alpha的类别标签值。
测试的结果如下所示:
我们可以改变不同的K1参数,来观察错误率,训练错误率,支持向量的个数随K1变化的情况。
上图中,支持向量有85个,优化算法必须使用这些向量才能对数据进行正确的分类。这就给读者径向基函数到达率太小的感觉,我们可以改变K1的值再进行观察。
现在图中只有27个支持向量,同时此刻的测试错误率也在下降。该数据集在设置的某处存在着最优解,如果降低K1,那么训练的错误率会降低,但是测试错误率却会提高。
支持向量的数目存在一个最优值。SVM的优点在于它能对数据进行高效分类。如果支持向量
太 少 ,就可能会得到一个很差的决策边界(下个例子会说明这一点);如果支持向量太多,也就
相当于每次都利用整个数据集进行分类,这种分类方法称为k近邻。