Python機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)

Author：louwill

? ? ?

???? 本節(jié)筆者和大家討論支持向量機(jī)的最后一種情況——非線性支持向量機(jī)。前面兩節(jié)我們探討了數(shù)據(jù)樣例是完全線性可分情況和近似線性可分情況下的支持向量機(jī)模型。但線性可分情況并非總?cè)缛嗽?#xff0c;大多數(shù)時(shí)候我們遇到的都是非線性情況。

?????

???? 所謂非線性可分問(wèn)題，就是對(duì)于給定數(shù)據(jù)集，如果能用一個(gè)超曲面將正負(fù)實(shí)例正確分開(kāi)，則這個(gè)問(wèn)題為非線性可分問(wèn)題。非線性問(wèn)題的一個(gè)關(guān)鍵在于將原始數(shù)據(jù)空間轉(zhuǎn)換到一個(gè)新的數(shù)據(jù)空間，在原始空間中的非線性可分問(wèn)題到新空間就是是線性可分問(wèn)題。

???? 一般來(lái)說(shuō)，用線性可分方法來(lái)解決非線性可分問(wèn)題可分為兩步：首先用一個(gè)變換將原始空間的數(shù)據(jù)映射到新空間，再在新空間中用線性分類學(xué)習(xí)方法訓(xùn)練分類模型。這種將原始空間轉(zhuǎn)換到新空間的方法稱為核技巧(kernel trick)。

???? 假設(shè)存在一個(gè)從輸入空間到特征空間的映射，使得所有的x和z都有函數(shù)K(x,z)=&(x).&(z)，則稱K(x,z)為核函數(shù)。在實(shí)際問(wèn)題中，通常直接給定核函數(shù)的形式，然后進(jìn)行求解。核函數(shù)的選擇通常依賴于領(lǐng)域知識(shí)，最后由實(shí)驗(yàn)驗(yàn)證其有效性。常用的核函數(shù)包括多項(xiàng)式核函數(shù)、高斯核函數(shù)以及sigmoid核函數(shù)等，核函數(shù)更多細(xì)節(jié)問(wèn)題可參考統(tǒng)計(jì)學(xué)習(xí)方法。

???? 基于核函數(shù)的非線性支持向量機(jī)對(duì)偶優(yōu)化問(wèn)題如下：

???? 當(dāng)核函數(shù)為正定核的時(shí)候，上述優(yōu)化問(wèn)題為凸優(yōu)化問(wèn)題，是可以直接進(jìn)行求解的。可求得最優(yōu)解：

???? 計(jì)算w如下：

???? 最后可構(gòu)造分類決策函數(shù)：

???? 雖然凸優(yōu)化問(wèn)題可以直接求解，但當(dāng)數(shù)據(jù)量很大時(shí)，直接求解將會(huì)非常低效，這時(shí)候可能需要一些高效的訓(xùn)練算法，比如說(shuō)SMO(序列最小最優(yōu)化)算法。關(guān)于SMO算法的內(nèi)容這里不展開(kāi)敘述，可參考統(tǒng)計(jì)學(xué)習(xí)方法了解更多內(nèi)容。

下面來(lái)看基于cvxopt的非線性支持向量機(jī)快速實(shí)現(xiàn)方法。

導(dǎo)入相關(guān)package：

import numpy as np from numpy import linalg import cvxopt import cvxopt.solvers import pylab as pl

定義多項(xiàng)式核函數(shù)如下：

def polynomial_kernel(x, y, p=3):return (1 + np.dot(x, y)) ** p

生成示例數(shù)據(jù)：

def gen_non_lin_separable_data():mean1 = [-1, 2]mean2 = [1, -1]mean3 = [4, -4]mean4 = [-4, 4]cov = [[1.0, 0.8], [0.8, 1.0]]X1 = np.random.multivariate_normal(mean1, cov, 50)X1 = np.vstack((X1, np.random.multivariate_normal(mean3, cov, 50)))y1 = np.ones(len(X1))X2 = np.random.multivariate_normal(mean2, cov, 50)X2 = np.vstack((X2, np.random.multivariate_normal(mean4, cov, 50)))y2 = np.ones(len(X2)) * -1return X1, y1, X2, y2

然后是構(gòu)建非線性支持向量機(jī)模型，完整版代碼如下：

import numpy as np from numpy import linalg import cvxopt import cvxopt.solversdef polynomial_kernel(x, y, p=3):return (1 + np.dot(x, y)) ** pclass nolinear_svm(object):def __init__(self, kernel=linear_kernel, C=None):self.kernel = kernelself.C = Cif self.C is not None: self.C = float(self.C)def fit(self, X, y):n_samples, n_features = X.shape#?Gram?矩陣K = np.zeros((n_samples, n_samples))for i in range(n_samples):for j in range(n_samples):K[i, j] = self.kernel(X[i], X[j])P = cvxopt.matrix(np.outer(y, y) * K)q = cvxopt.matrix(np.ones(n_samples) * -1)A = cvxopt.matrix(y, (1, n_samples))b = cvxopt.matrix(0.0)if self.C is None:G = cvxopt.matrix(np.diag(np.ones(n_samples) * -1))h = cvxopt.matrix(np.zeros(n_samples))else:tmp1 = np.diag(np.ones(n_samples) * -1)tmp2 = np.identity(n_samples)G = cvxopt.matrix(np.vstack((tmp1, tmp2)))tmp1 = np.zeros(n_samples)tmp2 = np.ones(n_samples) * self.Ch = cvxopt.matrix(np.hstack((tmp1, tmp2)))#?求解二次規(guī)劃solution = cvxopt.solvers.qp(P, q, G, h, A, b)#?獲得拉格朗日乘子a = np.ravel(solution['x'])# 非零拉格朗日乘子的支持向量sv = a > 1e-5ind = np.arange(len(a))[sv]self.a = a[sv]self.sv = X[sv]self.sv_y = y[sv]print("%d support vectors out of %d points" % (len(self.a), n_samples))#?截距項(xiàng)self.b = 0for n in range(len(self.a)):self.b += self.sv_y[n]self.b -= np.sum(self.a * self.sv_y * K[ind[n], sv])self.b /= len(self.a)#?權(quán)重參數(shù)向量if self.kernel == linear_kernel:self.w = np.zeros(n_features)for n in range(len(self.a)):self.w += self.a[n] * self.sv_y[n] * self.sv[n]else:self.w = None# 預(yù)測(cè)函數(shù)def project(self, X):if self.w is not None:return np.dot(X, self.w) + self.belse:y_predict = np.zeros(len(X))for i in range(len(X)):s = 0for a, sv_y, sv in zip(self.a, self.sv_y, self.sv):s += a * sv_y * self.kernel(X[i], sv)y_predict[i] = sreturn y_predict + self.bdef predict(self, X):return np.sign(self.project(X))if?__name__?==?"__main__":def gen_non_lin_separable_data():mean1 = [-1, 2]mean2 = [1, -1]mean3 = [4, -4]mean4 = [-4, 4]cov = [[1.0, 0.8], [0.8, 1.0]]X1 = np.random.multivariate_normal(mean1, cov, 50)X1 = np.vstack((X1, np.random.multivariate_normal(mean3, cov, 50)))y1 = np.ones(len(X1))X2 = np.random.multivariate_normal(mean2, cov, 50)X2 = np.vstack((X2, np.random.multivariate_normal(mean4, cov, 50)))y2 = np.ones(len(X2)) * -1return X1, y1, X2, y2def split_train(X1, y1, X2, y2):X1_train = X1[:90]y1_train = y1[:90]X2_train = X2[:90]y2_train = y2[:90]X_train = np.vstack((X1_train, X2_train))y_train = np.hstack((y1_train, y2_train))return X_train, y_traindef split_test(X1, y1, X2, y2):X1_test = X1[90:]y1_test = y1[90:]X2_test = X2[90:]y2_test = y2[90:]X_test = np.vstack((X1_test, X2_test))y_test = np.hstack((y1_test, y2_test))return X_test, y_testdef plot_margin(X1_train, X2_train, clf):def?f(x,?w,?b,?c=0):return (-w[0] * x - b + c) / w[1]pl.plot(X1_train[:, 0], X1_train[:, 1], "ro")pl.plot(X2_train[:, 0], X2_train[:, 1], "bo")pl.scatter(clf.sv[:, 0], clf.sv[:, 1], s=100, c="g")# w.x + b = 0a0 = -4;a1 = f(a0, clf.w, clf.b)b0 = 4;b1 = f(b0, clf.w, clf.b)pl.plot([a0, b0], [a1, b1], "k")# w.x + b = 1a0 = -4;a1 = f(a0, clf.w, clf.b, 1)b0 = 4;b1 = f(b0, clf.w, clf.b, 1)pl.plot([a0, b0], [a1, b1], "k--")# w.x + b = -1a0 = -4;a1 = f(a0, clf.w, clf.b, -1)b0 = 4;b1 = f(b0, clf.w, clf.b, -1)pl.plot([a0, b0], [a1, b1], "k--")pl.axis("tight")pl.show()def plot_contour(X1_train, X2_train, clf):pl.plot(X1_train[:, 0], X1_train[:, 1], "ro")pl.plot(X2_train[:, 0], X2_train[:, 1], "bo")pl.scatter(clf.sv[:, 0], clf.sv[:, 1], s=100, c="g")X1, X2 = np.meshgrid(np.linspace(-6, 6, 50), np.linspace(-6, 6, 50))X = np.array([[x1, x2] for x1, x2 in zip(np.ravel(X1), np.ravel(X2))])Z = clf.project(X).reshape(X1.shape)pl.contour(X1, X2, Z, [0.0], colors='k', linewidths=1, origin='lower')pl.contour(X1, X2, Z + 1, [0.0], colors='grey', linewidths=1, origin='lower')pl.contour(X1, X2, Z - 1, [0.0], colors='grey', linewidths=1, origin='lower')pl.axis("tight")pl.show()def test_non_linear():X1, y1, X2, y2 = gen_non_lin_separable_data()X_train, y_train = split_train(X1, y1, X2, y2)X_test, y_test = split_test(X1, y1, X2, y2)clf = nolinear_svm(polynomial_kernel)clf.fit(X_train, y_train)y_predict = clf.predict(X_test)correct = np.sum(y_predict == y_test)print("%d out of %d predictions correct" % (correct, len(y_predict)))plot_contour(X_train[y_train == 1], X_train[y_train == -1], clf)test_non_linear()

基于多項(xiàng)式核函數(shù)的非線性支持向量機(jī)分類效果如下：

???? 以上就是本節(jié)內(nèi)容，關(guān)于支持向量機(jī)的部分內(nèi)容，筆者就簡(jiǎn)單寫(xiě)到這里，下一講我們來(lái)看看樸素貝葉斯算法。完整代碼文件和數(shù)據(jù)可參考筆者GitHub地址：

https://github.com/luwill/machine-learning-code-writing

參考資料：

https://github.com/SmirkCao/Lihang/tree/master/CH07

http://cvxopt.org/examples/

往期精彩：

數(shù)學(xué)推導(dǎo)+純Python實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法6：感知機(jī)

數(shù)學(xué)推導(dǎo)+純Python實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法5：決策樹(shù)之CART算法

數(shù)學(xué)推導(dǎo)+純Python實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法4：決策樹(shù)之ID3算法

數(shù)學(xué)推導(dǎo)+純Python實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法3：k近鄰

數(shù)學(xué)推導(dǎo)+純Python實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法2：邏輯回歸

數(shù)學(xué)推導(dǎo)+純Python實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法1：線性回歸

往期精彩回顧適合初學(xué)者入門(mén)人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯獲取一折本站知識(shí)星球優(yōu)惠券，復(fù)制鏈接直接打開(kāi)：https://t.zsxq.com/yFQV7am本站qq群1003271085。加入微信群請(qǐng)掃碼進(jìn)群：

總結(jié)

以上是生活随笔為你收集整理的【机器学习基础】数学推导+纯Python实现机器学习算法10：线性不可分支持向量机...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。