svm多分类代码_监督学习—

本文是监督学习分类算法的第一部分，简单介绍对样本进行分类的算法，包括

判别分析(DA)
支持向量机(SVM)
随机梯度下降分类(SGD)
K近邻分类(KNN)
朴素贝叶斯分类(NaiveBayes)

判别分析(Discriminant Analysis)

判别分析是基于条件概率的分类方法，可以分为线性判别分析(LDA)和二次型判别分析(QDA)。

算法介绍

判别分析的基础是贝叶斯公式，它根据已有数据中的先验概率(可以通过样本得到)推断后验概率: 对于训练集,

我们选择令值较大的那个k作为预测结果。

算法求解

假设条件随机变量服从多元正态分布，那么先验概率应为

其中，为标记为k的样本数据均值，为标记为k的样本协方差矩阵。

代入贝叶斯公式得到对数后验概率：

其中，是分子的对数常数，是已知样本中各分类的比例。

QDA算法就是得到能够使对数后验概率最大的k值。

如果在QDA模型中假设特征之间相互独立，即只包含对角线元素，那么QDA分类器等效于高斯朴素贝叶斯分类器naive_bayes.GaussianNB。

LDA算法是QDA算法的特例，即假设所有类别的y都具有相同的协方差矩阵，那么对数后验概率可以写作其中为样本与均值之间的马氏距离。因此，LDA也可以认为是在先验概率条件下采用马氏距离进行分类的方法。上式也被称为判别函数。

算法实例

假设，，即只分两类且概率相等时，判别函数得到

对比两式

当上式大于0时说明的概率大于，则应该属于第1类，否则属于第二类。
当上式等于0时可以得到决策边界
同样可以推导3个以上类别的决策边界。
QDA算法由于考虑了不同的协方差矩阵，可以得到二次型的决策边界。

代码

判别函数可以改写为线性形式

其中的拟合数据保存在属性中，保存在属性中。

from sklearn.discriminant_analysis import LinearDiscriminantAnalysisclf2 = LinearDiscriminantAnalysis(solver='lsqr', shrinkage=None).fit(X, y)

从代码中可以看出也要确定判别分析的算法器solver，也可以通过shrinkage进行正则化。

支持向量机(Support Vector Machines)

支持向量机SVM在高维或无限维空间中构建一个超平面或一组超平面，该超平面与任何类别的最近训练数据点之间的距离最大(所谓的功能边界)，所以可以实现良好的分离，可用于分类、回归或其他任务。因为通常边界越大，分类器的泛化误差越低。下图显示了线性可分离问题的决策函数，在边界上有三个样本，称为“支持向量”：

支持向量机也是既可以用来进行分类也可以进行回归的模型，其分类器在Scikit-learn中包括SVC,NuSVC和LinearSVC等类。

算法

给定训练集分为两个类，研究目标是找到满足优化问题的解.SVC的目标是

式子第二项也可以看做是正则化项，是控制参数。上面优化问题的对偶问题是

其中是全1向量，是半正定阶矩阵，且，其中是核(Kernel)。

通过调整核函数可以对不同的数据进行分类：

NuSVC、LinearSVC和其他相关的支持向量机算法都采用了近似的目标函数。

代码

参数存储在属性中，支持向量机数据保存在属性中，参数保存在属性中。

from sklearn.svm import SVClinear_svc = svm.SVC(kernel='linear')linear_svc = svm.SVC(kernel='rbf')

RBF是Radial Basis Function的缩写，可以进行非线性划分，效果如下：

随机梯度下降分类(SGD)

随机梯度下降分类器近似等效于线性SVM

from sklearn.linear_model import SGDClassifierclf = SGDClassifier(loss="hinge", penalty="l2", max_iter=5).fit(X, y)

可以通过参数设置具体的损失函数。SGDClassifier支持以下损失功能：

：(软边距)线性支持向量机；
：平滑的铰链损失；
：逻辑回归，等。

可以通过penalty参数设置具体的正则项类型。SGD支持以下处罚：

：参数的标准正则项；
：参数的标准正则项；
：和的凸组合。

默认设置为。L1惩罚导致解决方案稀疏，将大多数系数驱动为零。当存在高度相关的属性时，ElasticNet解决了损失的一些不足。该参数控制和惩罚的凸组合。

K近邻分类(KNN)

KNN算法已经介绍过了，这里给出用KNN分类器的代码

from sklearn.neighbors import KNeighborsClassifierknn = KNeighborsClassifier(n_neighbors=1).fit(X_train,y_train)

效果如下：

朴素贝叶斯分类(NaiveBayes)

本文开头指出，QDA在特征相互独立的情况下等价于高斯NaiveBayes，这里的“Naive(朴素)”指的就是这种特征数据相互独立的假设。

算法

给定样本属于的类别数据，由贝叶斯公式可以得到关系：

在“Naive”条件下，上式可以简化为

由于是根据样本计算的常数，所以

所以

在假设了之后就可以进行估计。

类别和特点

scikit-learn 中实现了三种朴素贝叶斯分类器：GaussianNB、BernoulliNB 和MultinomialNB。
GaussianNB 可应用于任意连续数据；
BernoulliNB 假定输入数据为二分类数据；
MultinomialNB 假定输入数据为计数数据(即每个特征代表某个对象的整数计数，比如一个单词在句子里出现的次数)。
BernoulliNB 和MultinomialNB 主要用于文本数据分类。

代码

from sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom sklearn.naive_bayes import GaussianNBX, y = load_iris(return_X_y=True)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=0)gnb = GaussianNB()y_pred = gnb.fit(X_train, y_train).predict(X_test)