支持向量机(SVM)理解以及在sklearn库中的简单应用

1. 什么是支持向量机

英文Support Vector Machines，简写SVM . 主要是基于支持向量来命名的，什么是支持向量后面会讲到…….最简单的SVM是用来二分类的，在深度学习崛起之前被誉为最好的现成分类器，”现成”指的是数据处理好，SVM可以直接拿来使用 …

2. 名词解释

2.1线性(不)可分，超平面

上图线性可分(绿色荧光笔直线)，即一条直线完美分类，虽然有不同的分割法，这条分割线就叫做”分割超平面”，二维中直线就是一个超平面，扩展到n维中n-1维也就是超平面

左面这张图很明显，所谓线性不可分，则是一条直线不能完美分类

左面这张图也是线性不可分但是有一个圆形区域很好的进行了分类
这时候就可以映射到高维，见下例

面到体 :

线到面 :
这个例子就比较好理解了，主要是怎么映射？见下内容….

2.2 支持向量

支持向量在SVM中很重要，名字就看得出来，在上例中红线为分割超平面，红色的*点就是支持向量点，即离分割超平面最近的点。

3. SVM理解

在二分类问题中，SVM需要的就是寻得一个分割超平面，使margin最大化，见下图，margin就是切割超平面离最近点的距离
最近的点就是支持向量点,这里的超平面可以定义为 w^X+b=0 \hat wX + b = 0
假设2维特征向量X=(x1,x2)X = (x_1, x_2) , 把b想象虚拟的w0w_0 ,
那么超平面方程就变成了 : w0+w1x1+w2x2=0w_0 + w_1x_1 + w_2x_2 = 0
右上方点满足 : w0+w1x1+w2x2>0w_0 + w_1x_1 + w_2x_2 > 0
同理，左下点满足 : w0+w1x1+w2x2<0w_0 + w_1x_1 + w_2x_2
经过对weight参数的调整，使得
H1:w0+w1x1+w2x2>=1H_1 : w_0 + w_1x_1 + w_2x_2 >= 1 for y = +1
H2:w0+w1x1+w2x2<=1H_2 : w_0 + w_1x_1 + w_2x_2 for y = - 1 (用y的+1代表一类，-1代表另一类)
综上两式
yi(w0+w1x1+w2x2)>=1,∀iy_i(w_0+w_1x_1+w_2x_2)>=1 , \forall i

那么如果线行不可分呢，那就需要映射到高维，例如X=(x1,x2,x3)X=(x_1,x_2,x_3) 那么映射到6维Z函数就可以是 θ1(x)=x1,θ2(x)=x2,θ3(x)=x3θ4(x)=x21,θ5(x)=x1x2,θ6(x)=x1x3\theta_1(x)=x_ 1,\theta_2(x)=x_ 2,\theta_3(x)=x_ 3\theta_4(x)=x_ 1^2,\theta_5(x)=x_ 1x_2,\theta_6(x)=x_ 1x_3,取而代之的方程变为Y=w1z1+w2z2+...+w6z6Y = w_1z_1+w_2z_2+...+w_6z_6 那么怎么映射呢，(回答：用到的是内积)内积很耗时，所以使用核函数来计算这个内积，使得高维化时间变短，主要的核函数有

linear : 线性核函数（linear kernel）
poly : 多项式核函数（ploynomial kernel）
rbf : 径向机核函数(radical basis function)
sigmoid : 神经元的非线性作用函数核函数(Sigmoid tanh)

具体介绍还是看看文档吧…..

然后根据核函数就可以进行分类或者回归了…..

4. SVM优缺点

优点
- 支持向量决定时间复杂，而不是取决于数据集的大小
- 结果易于理解
缺点
- 对于参数以及核函数有依赖，原始算法不加修改只用于二分类
- 算法实现比较困难 (依赖sklearn库的话就算了，打脸)

5. sklearn库简单应用实例

# coding:utf-8from sklearn import svm
from numpy import *
import pylab as pl# 加载数据集
def loadData(fileName):dataMat = []labelMat = []with open(fileName) as txtFile:for line in txtFile.readlines():dataMat.append(map(float, line.split())[0:-1])labelMat.append(map(float, line.split())[-1])return dataMat, labelMat#
if __name__ == '__main__':x, y = loadData("train.txt")X, Y = loadData("test.txt")#'使用线性方法分类'clf = svm.SVR(kernel='linear')  clf.fit(x, y)res = clf.predict(X)print "kernel is linear", corrcoef(Y, res, rowvar=0)[0, 1]#'使用径向机方法分类'clf = svm.SVR(kernel='rbf')   clf.fit(x, y)res = clf.predict(X)print "kernel is rbf", corrcoef(Y, res, rowvar=0)[0, 1]#'使用线性最小二乘法进行分类'x = mat(x)X = mat(X)y = mat(y).TY = mat(Y).Ttemp = x.T * xws = temp.I * (x.T * y)yPre = X * wsprint "linear", corrcoef(yPre, Y, rowvar=0)[0, 1]''' SVR 支持向量回归 '''# w^T * x + bias# weight is .coef_# bias   is .intercept_random.seed(0)x = r_[random.randn(20, 2) - [2, 2], random.randn(20, 2) + [2, 2]]y = [0] * 20 + [1] * 20clf = svm.SVC(kernel='linear')clf.fit(x, y)w = clf.coef_[0]# print "coef",clf.coef_a = -w[0] / w[1]xx = arange(-4, 4)yy = a * xx - (clf.intercept_[0]) / w[1]  # intercept_ bias# print "bias",clf.intercept_b = clf.support_vectors_[0]yy1 = a * xx + (b[1] - a * b[0])b = clf.support_vectors_[-1]yy2 = a * xx + (b[1] - a * b[0])pl.plot(xx, yy, 'k-', color='red')pl.plot(xx, yy1, 'k--', color='green')pl.plot(xx, yy2, 'k--', color='green')pl.plot(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], '*', color='red')# print clf.support_vectors_pl.scatter(x[:, 0], x[:, 1], marker='.', s=60)pl.show()

6. 图像结果以及分析

# kernel is linear 0.989824485227
# kernel is rbf 0.990336373871
# linear 0.989824485227
'对比发现,简单调用中rbf函数分类效果最好,内核函数linear就是利用了最小二乘法'

红色为支持向量，红线为切割超平面，绿色虚线为边际超平面，用来’阻挡’两类的超平面

附数据集

点击这里

什么是支持向量机
名词解释
- 1线性不可分超平面
- 2 支持向量
SVM理解
SVM优缺点
sklearn库简单应用实例
图像结果以及分析
附数据集