7 支持向量機(jī)SMO算法(python代碼)

原理參考:https://zhuanlan.zhihu.com/p/77750026
SMO算法python代碼
公式參考統(tǒng)計(jì)學(xué)習(xí)方法第7章

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import math

def create_data():
    iris = load_iris()
    df=pd.DataFrame(iris.data,columns=iris.feature_names)
    df['label']=iris.target
    df.columns=['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
    data=np.array(df.iloc[:100,[0,1,-1]])
    for i in range(len(data)):
        if data[i,-1]==0:
            data[i,-1]=-1
    return data[:,:2], data[:,-1]

X,y=create_data()
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2)

# SMO算法
class SVM:
#     定義最大迭代次數(shù),核函數(shù)
    def __init__(self, max_iter, kernel='linear'):
        self.max_iter = max_iter
        self._kernel = kernel
#     m樣本量,n維度,X樣本蒿赢, Y樣本類別,b,alpha拉格朗日乘子,E,C
    def init_args(self, features, labels):
        self.m, self.n = features.shape
        self.X = features
        self.Y = labels
        self.b = 0.0
        self.alpha = np.ones(self.m)
        
        # Ei是g(x)預(yù)測(cè)值-實(shí)際值,保存至列表
        self.E = [self._E(i) for i in range(self.m)]
        # 懲罰參數(shù)
        self.C=1.0 
 
    # 核函數(shù)
    def kernel(self,x1,x2):
        if self._kernel=='linear': #線性分類器 k(x,y)=x*y
            return sum([x1[k]*x2[k] for k in range(self.n)])  
        elif self._kernel=='poly':
            return (sum([x1[k]*x2[k] for k in range(self.n)])+1)**2  #d階多項(xiàng)式分類器 k(x,y)={(x*y)+1}d
        return 0

    def _KKT(self, i):  #p147   7.111~7.113
        y_g = self._g(i)*self.Y[i]
        if self.alpha[i]==0:
            return y_g >=1
        elif 0<self.alpha[i]<self.C:
            return y_g ==1
        else:
            return y_g<=1
    
    # g(x)預(yù)測(cè)值吐绵,輸入(X[i])
    def _g(self,i):
        r = self.b
        for j in range(self.m):
            r += self.alpha[j]*self.Y[j]*self.kernel(self.X[i], self.X[j])   # p145 公式7.105   7.117
        return r
    
    # E(x)為g(x)對(duì)輸入x的預(yù)測(cè)值和實(shí)際值y的差
    def _E(self, i):
        return self._g(i)-self.Y[i]    
    
    
    def _init_alpha(self):
         #外層循環(huán)首先遍歷所有滿足0<a<C的樣本點(diǎn)欲账,檢驗(yàn)是否滿足KKT  P147
        index_list=[i for i in range(self.m) if 0<self.alpha[i]<1]
        # 否則遍歷整個(gè)訓(xùn)練集
        non_satisfy_list = [i for i in range(self.m) if i not in index_list]
        index_list.extend(non_satisfy_list)
        
        for i in index_list:
            if self._KKT(i):
                continue
            E1=self.E[i]
            # 如果E1是+撒汉,選擇最小的轿钠;如果E1是負(fù)的巢钓,選擇最大的
            if E1 >= 0:
                j = min(range(self.m), key=lambda x: self.E[x])
            else:
                j = max(range(self.m), key=lambda x: self.E[x])
            return i, j
    
    def _compare(self,_alpha, L, H):  #7.108
        if _alpha > H:
            return H
        elif _alpha<L:
            return L
        else:
            return _alpha
        
    def fit(self, features, labels):
        self.init_args(features, labels)   
        for t in range(self.max_iter):    # 迭代
            # train   變量的選擇 i1 i2
            i1,i2 = self._init_alpha()
            # 邊界  p144~145
            if self.Y[i1]==self.Y[i2]:
                L = max(0, self.alpha[i1] + self.alpha[i2] - self.C)
                H = min(self.C, self.alpha[i1] + self.alpha[i2])
            else:
                L = max(0, self.alpha[i2] - self.alpha[i1])
                H = min(self.C, self.C + self.alpha[i2] - self.alpha[i1])
            
            E1=self.E[i1]
            E2=self.E[i2]
            # eta = k11+k22-2k12  公式7.107
            eta=self.kernel(self.X[i1],self.X[i1])+self.kernel(self.X[i2],self.X[i2])-2*self.kernel(self.X[i1],self.X[i2])
            if eta<=0:
                continue
           
            alpha2_new_unc=self.alpha[i2]+self.Y[i2]*(E1-E2)/eta   #7.106
            alpha2_new = self._compare(alpha2_new_unc, L, H)    #7.108
            alpha1_new = self.alpha[i1] + self.Y[i1] * self.Y[i2] * (self.alpha[i2] - alpha2_new)  #7.109
            
            # 7.115
            b1_new = -E1 - self.Y[i1] * self.kernel(self.X[i1], self.X[i1]) * (
                alpha1_new - self.alpha[i1]) - self.Y[i2] * self.kernel(
                    self.X[i2],self.X[i1]) * (alpha2_new - self.alpha[i2]) + self.b
            
            # 7.116
            b2_new = -E2 - self.Y[i1] * self.kernel(self.X[i1], self.X[i2]) * (
                alpha1_new - self.alpha[i1]) - self.Y[i2] * self.kernel(
                    self.X[i2],self.X[i2]) * (alpha2_new - self.alpha[i2]) + self.b
            
            # p148
            if 0 < alpha1_new < self.C:
                b_new = b1_new
            elif 0 < alpha2_new < self.C:
                b_new = b2_new
            else:
                # 選擇中點(diǎn)
                b_new = (b1_new + b2_new) / 2

            # 更新參數(shù)
            self.alpha[i1] = alpha1_new
            self.alpha[i2] = alpha2_new
            self.b = b_new

            self.E[i1] = self._E(i1)
            self.E[i2] = self._E(i2)
        return 'train done!'
    
    def predict(self, data):
        # g(xi)
        r = self.b
        for i in range(self.m):
            r += self.alpha[i] * self.Y[i] * self.kernel(data, self.X[i])
        return 1 if r > 0 else -1

    def score(self, X_test, y_test):
        right_count = 0
        for i in range(len(X_test)):
            result = self.predict(X_test[i])
            if result == y_test[i]:
                right_count += 1
        return right_count / len(X_test)

svm = SVM(max_iter=200,kernel='poly')
svm.fit(X_train, y_train)
svm.score(X_test, y_test)

直接調(diào)用sklearn函數(shù)
from sklearn.svm import SVC
clf = SVC()
clf.fit(X_train, y_train)
clf.score(X_test, y_test)

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市疗垛,隨后出現(xiàn)的幾起案子症汹,更是在濱河造成了極大的恐慌,老刑警劉巖贷腕,帶你破解...
    沈念sama閱讀 218,122評(píng)論 6 505
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件烈菌,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡花履,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,070評(píng)論 3 395
  • 文/潘曉璐 我一進(jìn)店門挚赊,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)诡壁,“玉大人,你說(shuō)我怎么就攤上這事荠割∶们洌” “怎么了?”我有些...
    開(kāi)封第一講書(shū)人閱讀 164,491評(píng)論 0 354
  • 文/不壞的土叔 我叫張陵蔑鹦,是天一觀的道長(zhǎng)夺克。 經(jīng)常有香客問(wèn)我,道長(zhǎng)嚎朽,這世上最難降的妖魔是什么铺纽? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 58,636評(píng)論 1 293
  • 正文 為了忘掉前任,我火速辦了婚禮哟忍,結(jié)果婚禮上狡门,老公的妹妹穿的比我還像新娘。我一直安慰自己锅很,他們只是感情好其馏,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,676評(píng)論 6 392
  • 文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著爆安,像睡著了一般叛复。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書(shū)人閱讀 51,541評(píng)論 1 305
  • 那天褐奥,我揣著相機(jī)與錄音咖耘,去河邊找鬼。 笑死抖僵,一個(gè)胖子當(dāng)著我的面吹牛鲤看,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播耍群,決...
    沈念sama閱讀 40,292評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼义桂,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了蹈垢?” 一聲冷哼從身側(cè)響起慷吊,我...
    開(kāi)封第一講書(shū)人閱讀 39,211評(píng)論 0 276
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎曹抬,沒(méi)想到半個(gè)月后溉瓶,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,655評(píng)論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡谤民,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,846評(píng)論 3 336
  • 正文 我和宋清朗相戀三年堰酿,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片张足。...
    茶點(diǎn)故事閱讀 39,965評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡触创,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出为牍,到底是詐尸還是另有隱情哼绑,我是刑警寧澤,帶...
    沈念sama閱讀 35,684評(píng)論 5 347
  • 正文 年R本政府宣布碉咆,位于F島的核電站抖韩,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏疫铜。R本人自食惡果不足惜茂浮,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,295評(píng)論 3 329
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望壳咕。 院中可真熱鬧励稳,春花似錦、人聲如沸囱井。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 31,894評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)庞呕。三九已至新翎,卻和暖如春程帕,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背地啰。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 33,012評(píng)論 1 269
  • 我被黑心中介騙來(lái)泰國(guó)打工愁拭, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人亏吝。 一個(gè)月前我還...
    沈念sama閱讀 48,126評(píng)論 3 370
  • 正文 我出身青樓岭埠,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親蔚鸥。 傳聞我的和親對(duì)象是個(gè)殘疾皇子惜论,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,914評(píng)論 2 355

推薦閱讀更多精彩內(nèi)容