話接上文(SVM的簡單推導)，這篇文章我們來看單類SVM：SVDD。可能大家會覺得很奇怪，我們為什么需要單分類呢？有篇博客舉了一個很有意思的例子。

花果山上的老猴子，一生閱猴無數，但是從來沒有見過其它的物種。有一天，豬八戒來到花果山找它們的大王，老猴子一聲令下，把這個東西給我綁起來！

這里老猴子很清楚的知道這個外來物種不是同類，但是它究竟是什么，不得而知。老猴子見過很多猴，它知道猴子的特征，而外來生物明顯不符合這個特征，所以它就不是猴子。

這就是一個單分類的簡單例子。

而美猴王看到這個場景后，哈哈一笑，把這呆子抬過來！

對比二分類，顯著的區別就是，二分類不但能得出來這個東西不是猴子，他還能告訴你這個東西叫“呆子”(當然我們的美猴王見多識廣，肯定不止是二分類那么簡單了)

今天要介紹的SVDD的全稱是Support vector domain description。首先讓我們簡單了解一下domain description，也就是單分類問題。

單分類問題

不像常見的分類問題，單分類問題的目的并不時將不同類別的數據區分開來，而是對某個類別的數據生成一個描述(description)。這里的description比較抽象，可以理解為是樣本空間中的一個區域，當某個樣本落在這個區域外，我們就認為該樣本不屬于這個類別。

單分類方法常用于異常檢測，或者類別極度不平衡的分類任務中。

當我們假設數據服從一個概率分布，我們就可以對這個分布中的參數進行估計了。對于一個新樣本，如果這個樣本在給定類別的概率分布中的概率小于閾值，就會被判定為異常樣本。

但是這樣的方法存在的問題是，

預先假定的概率分布對模型性能的影響很大。

當特征的維度很大的時候，該方法需要一個很大的數據集。

一些低密度區域的樣本點會被誤判為異常樣本。

另一種思路就是，在樣本空間中為此類數據劃定一個大致的邊界。如何劃定這個邊界，就是SVDD要研究的問題啦。

目標函數

假設我們有$m$個樣本點，分別為$x^{(1)},x^{(2)},\cdots,x^{(m)}$。

我們假設這些樣本點分布在一個球心為$a$，半徑為$R$的球中。那么樣本$x^{(i)}$滿足

$$

(x^{(i)}-a)^T(x^{(i)}-a)\leq R^2.

$$

引入松弛變量，我們允許部分樣本不再這個球中，那么

$$

(x^{(i)}-a)^T(x^{(i)}-a)\leq R^2+\xi_i,\xi\geq 0.

$$

我們的目標是最小球的半徑$R$和松弛變量的值，于是目標函數是

$$

\begin{align}

\min_{a,\xi_i}\ \ & R^2+C\sum_{i=1}^m\xi_i\\

{\rm s.t.}\ \ & (x^{(i)}-a)^T(x^{(i)}-a)\leq R^2+\xi_i, \\

&\xi_i\geq 0,i=1,2,\cdots,m.

\end{align}

$$

其中，$C>0$是懲罰參數，由人工設置。

對偶問題

使用拉格朗日乘子法，得到拉格朗日函數

$$

\begin{align}

L(R,a,\alpha,\xi,\gamma)=& R^2+C\sum_{i=1}^m\xi_i\\

& -\sum_{i=1}^m\alpha_i\left(R^2+\xi_i({x^{(i)}}^Tx^{(i)}-2a^Tx^{(i)}+a^2)\right)-\sum_{i=1}^m \gamma_i\xi_i.

\end{align}

$$

其中，$\alpha_i\ge 0,\gamma_i\ge 0$是拉格朗日乘子。令拉格朗日函數對$R,a,\xi_i$的偏導為0，得到

$$

\begin{align}

&\sum_{i=1}^m \alpha_i=1,\\

&a=\sum_{i=1}^m \alpha_ix^{(i)},\\

&C-\alpha_i-\gamma_i=0

\end{align}

$$

我們可以將$\alpha_i$看作樣本$x^{(i)}$的權重。上式表明所有樣本的權重之和為1，而球心$a$是所有樣本的加權和。將上式帶入到拉格朗日函數中，得到原問題的對偶問題

$$

\begin{align}

\max_\alpha\ \ &L(\alpha)=\sum_{i=1}^m\alpha_i{x^{(i)}}^Tx^{(i)}-\sum_{i=1}^m\sum_{j=1}^m \alpha_i\alpha_j{x^{(i)}}^Tx^{(j)}\\

{\rm s.t.}\ \ & 0\le\alpha_i\le C,\\

& \sum_{i=1}^m\alpha_i=1,i=1,2,\cdots,m.

\end{align}

$$

當通過求解對偶問題得到$\alpha_i$后，可以通過$a=\sum_{i=1}^m \alpha_ix^{(i)}$計算球心$a$。至于半徑$R$，則可以通過計算球與支持向量($\alpha_i< C$)之間的距離得到。當$\alpha_i=C$時，意味著樣本$x^{(i)}$位于球的外面。

判斷新樣本是否為異常點

對于一個新的樣本點$z$，如果它滿足下式，那么我們認為它是一個異常點。

$$

(z-a)^T(z-a)> R^2.

$$

展開上式，得

$$

z^Tz-2\sum_{i=1}^m \alpha_iz^Tx^{(i)}+\sum_{i=1}^m\sum_{j=1}^m\alpha_i\alpha_j{x^{(i)}}^Tx^{(j)}>R^2.

$$

引入核函數

正常情況下，數據并不會呈現球狀分布，因此有必要使用核函數的方法提高模型的表達能力。

只需將$\cal K(x^{(i)},x^{(j)})$替換${x^{(i)}}^Tx^{(j)}$即可。于是對偶問題的目標函數變為

$$

L(\alpha)=\sum_i \alpha_i\cal K(x^{(i)},x^{(i)})-\sum_i\sum_j \alpha_i\alpha_j\cal K(x^{(i)},x^{(j)}).

$$

判別函數變為

$$

{\cal K}(z,z)-2\sum_i \alpha_i {\cal K}(z,x^{(i)})+\sum_i\sum_j \alpha_i\alpha_j {\cal K}(x^{(i)},x^{(j)})- R^2.

$$

下面考慮核函數的影響。

多項式核

多項式核函數的表達式如下

$$

{\cal K}\left({x^{(i)}}^Tx^{(j)}\right)=\left({x^{(i)}}^Tx^{(j)}+1\right)^d.

$$

如下圖所示，多項式核實際上不太適合SVDD。特別是當d取值非常大的時候。

高斯核

高斯核函數的表達式如下

$$

{\cal K}\left({x^{(i)}}^Tx^{(j)}\right)=\exp\left(\frac{-\left(x^{(i)}-x^{(j)}\right)^2}{s^2}\right).

$$

如下圖，相比于多項式核函數，高斯核函數的結果就合理多了。可以看到模型的復雜程度隨著$s$的增大而減小。

在python中使用

可通過下面的代碼在python中使用單類SVM

from sklearn.svm import OneClassSVM

參考文獻

Tax D M J, Duin R P W. Support vector domain description[J]. Pattern recognition letters, 1999, 20(11-13): 1191-1199.

總結

以上是生活随笔為你收集整理的高斯核函数python代码_单类SVM：SVDD的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。