【机器学习】算法原理详细推导与实现(五):支持向量机(下)

【机器学习】算法原理详细推导与实现(五):支持向量机(下)

上一章节介绍了支持向量机的生成和求解方式，能够根据训练集依次得出\(\omega\)、\(b\)的计算方式，但是如何求解需要用到核函数，将在这一章详细推导实现。

核函数

在讲核函数之前，要对上一章节得到的结果列举出来。之前需要优化的凸函数为：

\[min_{\gamma,\omega,b}->\frac{1}{2}||\omega||^2 \]

\[y^{(i)}(\omega^Tx^{(i)}+b) \geq 1 ,i=1,2,...,m \]

这里假设数据是线性可分隔的，对于这个优化项目，给定一个训练集合，这个问题的算法会找到一个数据集合的最优间隔分类器，可以使训练样本的几何间隔最大化。

在上一章节【机器学习】算法原理详细推导与实现(四):支持向量机(上)中，我们推出了这个问题的对偶问题，也就是要使这个式子最大化：

\[max_{\alpha}\Gamma(\omega,b,\alpha)=\sum_{i=1}^m\alpha_i-\frac{1}{2}\sum^m_{i=1,j=1}\alpha_i\alpha_jy^{(i)}y^{(j)}<x^{(i)},x^{(j)}> \]

\[\alpha_i \geq 0,i=1,2,...,m \]

\[\sum_{i=1}^m\alpha_iy^{(i)}=0 \]

上面是我们的原始问题，且根据拉格朗日对偶步骤计算得到参数\(\omega\)：

\[\omega=\sum^m_{i=1}\alpha_iy^{(i)}x^{(i)} \]

\[b=\frac{max_{i:y^{(i)}=-1}\omega^Tx^{(i)}+min_{i:y^{(i)}=1}\omega^Tx^{(i)}}{2} \]

当需要做分类预测时，需要对新来的输入值\(x\)进行计算，计算其假设的值是否大于零，也就是做一次线性运算来判断是正样本还是负样本，有如下计算函数：

\[\begin{split} h_{\omega,b}(x)&=g(\omega^Tx+b) \\ &=g(\sum^m_{i=1}\alpha_iy^{(i)}<x^{(i)},x>+b) \end{split} \]

核函数概念

接下来要介绍“核”的概念，这个概念具有这样的性质：

算法对于x的依赖仅仅局限于这些内积的计算，甚至在整个算法中，都不会直接使用到向量x的值，而是只需要用到训练样本与输入特征向量的内积

而“核”的概念是这样的，考虑到最初在【机器学习】算法原理详细推导与实现(一):线性回归中提出的问题，比如有一个输入\(x\in R\)是房屋的面积，\(y\)是房子的价格。假设我们从样本点的分布中看到\(x\)和\(y\)符合3次曲线，那么我们会希望使用\(x\)的三次多项式来逼近这些样本点。首先将特征\(x\)扩展到三维\((x,x^2,x^3)\)，这里将这种特征变换称作特征映射，映射函数为\(\varphi(x)\)：

\[\varphi(x)=\begin{bmatrix} x \\ x^2 \\ x^3 \end{bmatrix} \]

用\(\varphi(x)\)代表原来的特征\(x\)映射成的，这里希望得到映射后的特征应用于svm分类，而不是最初的一维特征，只需要将前面\(\omega^Tx+b\)公式中的内积从\(<x^{(i)},x^{(j)}>\)映射到\(<\varphi(x)^{(i)},\varphi(x)^{(j)}>\)。至于为什么需要映射后的特征而不是最初的特征来参与计算，上面提到的一个原因：为了更好的拟合，另外一个原因是样本可能存在线性不可分的情况，而特征映射到高维过后往往就可分了。

如果原始特征的内积为\(<x,z>\)，映射后为\(<\varphi(x),\varphi(z)>\)，那么一般核函数定义为：

\[K(x,z)=\varphi(x)^T\varphi(z) \]

为什么会那么定义核函数？有些时候\(\varphi(x)\)的维度将会非常的高，可能会包含非常高维的多项式特征，甚至会到无限维。当\(\varphi(x)\)的维度非常高时，可能无法高效的计算内积，甚至无法计算。如果要求解前面所提到的凸函数，只需要先计算\(\varphi(x)\)，然后再计算\(\varphi(x)^T\varphi(z)\)即可，但是这种常规方法是很低效的，比如最开始的特征是\(n\)维，并将其映射到\(n^2\)维度，这时候计算需要\(O(n^2)\)的时间复杂度。这里假设\(x\)和\(z\)都是\(n\)维的：

\[K(x,z)=(x^Tz)^2 \]

展开后得到：

\[\begin{split} K(x,z)&=(x^Tz)^2 \\ &=(\sum^n_{i=1}x_iz_i)(\sum^n_{j=1}x_jz_j) \\ &=\sum^n_{i=1}\sum^n_{j=1}x_ix_jz_iz_j \\ &=\sum^n_{i=1}\sum^n_{j=1}(x_ix_j)(z_iz_j) \\ &=\varphi(x)^T\varphi(z) \end{split} \]

也就是说，如果开始的特征是\(n\)维，并将其映射到\(n^2\)维度后，其映射后的计算量为\(O(n^2)\)。而如果只是计算原始特征\(x\)和\(z\)的内积平方，时间复杂度还是\(O(n)\),其结果等价于映射后的特征内积。

回到之前的假设，当\(n=3\)时，这个核\(K(x,z)\)对应的特征映射\(\varphi(x)\)为：

\[\varphi(x)=\begin{bmatrix} x_1x_1 \\ x_1x_2 \\ x_1x_3 \\ x_2x_1 \\ x_2x_2 \\ x_2x_3 \\ x_3x_1 \\ x_3x_2 \\ x_3x_3 \end{bmatrix} \]

这是时间复杂度为\(O(n^2)\)计算方式，而如果不计算\(\varphi(x)\)，直接计算\(<x,z>\)从而得到<\(\varphi(x)\),\(\varphi(z)\)>的内积，时间复杂度将缩小\(O(n)\)。

同理将核函数定义为：

\[\begin{split} K(x,z)&=(x^Tz+c) \\ &=\sum^n_{i,j=1}(x_ix_j)(z_iz_j)+\sum^n_{i=1}(\sqrt{2cx_i})(\sqrt{2cx_j})+c^2 \end{split} \]

当\(n=3\)时，这个核\(K(x,z)\)对应的特征映射\(\varphi(x)\)为：

\[\varphi(x)=\begin{bmatrix} x_1x_1 \\ x_1x_2 \\ x_1x_3 \\ x_2x_1 \\ x_2x_2 \\ x_2x_3 \\ x_3x_1 \\ x_3x_2 \\ x_3x_3 \\ \sqrt{2c}x_1 \\ \sqrt{2c}x_2 \\ \sqrt{2c}x_3 \\ c \end{bmatrix} \]

总结来说，核的一种一般化形式可以表示为：

\[K(x,z)=(x^Tz+c)^d \]

对应着\(\begin{bmatrix} n+d \\ d \end{bmatrix}\) 个特征单项式，即特征维度。

假如给定一组特征\(x\)，将其转化为一个特征向量\(\varphi(x)\);给定一组特征\(z\)，将其转化为一个特征向量\(\varphi(z)\)，所以核计算就是两个向量的内积\(<\varphi(x),\varphi(z)>\)。如果\(\varphi(x)\)和\(\varphi(z)\)向量夹角越小，即两个向量越相似(余弦定理)，那么\(\varphi(x)\)和\(\varphi(z)\)将指向相同的方向，因此内积会比较大；相反的如果\(\varphi(x)\)和\(\varphi(z)\)向量夹角越大，即两个向量相似度很低，那么\(\varphi(x)\)和\(\varphi(z)\)将指向不同的方向，因此内即将会比较小。

如果有一个核函数如下:

\[K(x,z)=exp^{(-\frac{||x-z||^2}{2\sigma^2})} \]

如果\(x\)和\(z\)很相近(\(||x-z||\approx0\))，那么核函数的值为1；如果\(x\)和\(z\)相差很大(\(||x-z||>>0\))，那么核函数的值约等于0。这个核函数类似于高斯分布，所以称为高斯核函数，能够把原始特征映射到无穷维。

在前面说了：为什么需要映射后的特征而不是最初的特征来参与计算？

上面提到了两个原因：

1. 为了更好的拟合
2. 样本可能存在线性不可分的情况，而特征映射到高维过后往往就可分了

第二种情况如下所示：

左边使用线性的时候，使用svm学习出\(\omega\)和\(b\)后，新来样本\(x\)就可以代入到\(\omega^Tx+b\)中进行判断，但是像图中所示是无法判断的；如果使用了核函数过后，\(\omega^Tx+b\)变成了\(\omega^T\varphi(x)+b\)，直接可以用下面的方式计算：

\[\begin{split} \omega^Tx+b&=(\sum^m_{i=1}\alpha_iy^{(i)}x^{(i)})^Tx+b \\ &=\sum^m_{i=1}\alpha_iy^{(i)}<x^{(i)},x>+b \\ &=\sum^m_{i=1}\alpha_iy^{(i)}K(x^{(i)})+b \end{split} \]

只需要将\(<x^{(i)},x>\)替换成\(K(x^{(i)})\)就能将低维特征转化为高维特征，将线性不可分转化成高维可分。

规则化和不可分情况处理

我们之前讨论的情况都是建立在样例线性可分的假设上，当样例线性不可分时，我们可以尝试使用核函数来将特征映射到高维，这样很可能就可分了。然而，映射后我们也不能100%保证可分。那怎么办呢，我们需要将模型进行调整，以保证在不可分的情况下，也能够尽可能地找出分隔超平面。

看下面的图可以解释：

在右边的图可以可以看到上面一个离群点（可能是噪声），会造成超平面的移动改变，使集合间隔的间隔距离缩小，可见以前的模型对噪声非常敏感。再有甚者，如果离群点在另外一个类中，那么这时候就是线性不可分了。 这时候我们应该允许一些点游离在模型中违背限制条件（函数间隔大于 1）。我们设计得到新的模型如下（也称软间隔）：

\[min_{\gamma,\omega,b}->\frac{1}{2}||\omega||^2+C\sum^m_{i=1}\xi_i \]

\[y^{(i)}(\omega^Tx^{(i)}+b) \geq 1-\xi_i ,i=1,2,...,m \]

\[\xi_i \geq 0,i=1,...,m \]

引入非负参数\(\xi_i\)(松弛变量)过后，也就意味着允许某些样本的函数间隔小于1，甚至是负数，负数就代表样本点在对方区域中，如上方右边图的虚线作为超平面，一个空心圆点的函数间隔为负数。

增加新的条件后，需要重新调整目标函数，增加对离群点进行处罚，也就是在求最小值的目标函数后面加上\(C\sum^m_{i=1}\xi_i\)，因为定义\(\xi_i \geq 0\)，所以离群点越多，那么目标函数的值越大，就等于违背求最小值的初衷。而\(C\)是离群点的权重，\(C\)越大表明离群点对于目标函数的影响越大，也就是越不希望看到离群点。

修改目标函数后，原式子变成：

\[\Gamma(\omega,b,\xi,\alpha,r)=\frac{1}{2}\omega^T\omega+C\sum^m_{i=1}\xi_i-\sum^m_{i=1}\alpha_i[y^{(i)}(x^T\omega+b)-1+\xi_i]-\sum^m_{i=1}r_i\xi_i \]

这里的\(\alpha\)和\(r\)都是拉格朗日算子，根据上一章节拉格朗日的求解步骤：

1. 构造出拉格朗日函数后，将其看作是变量\(\omega\)和\(b\)的函数
2. 分别对其求偏导，得到\(\omega\)和\(b\)的表达式
3. 然后带入上述拉格朗日式子中，求带入后式子的极大值

最后化简得到的结果是：

\[max_{\alpha}W(\alpha)=\sum_{i=1}^m\alpha_i-\frac{1}{2}\sum^m_{i=1,j=1}\alpha_i\alpha_jy^{(i)}y^{(j)}<x^{(i)},x^{(j)}> \]

\[C \geq \alpha_i \geq 0,i=1,2,...,m \]

\[\sum_{i=1}^m\alpha_iy^{(i)}=0 \]

这里唯一不同的地方是限制条件多了一个离群点的权重\(C\)。

SMO优化算法

SMO 是一个求解对偶问题的优化算法，目前还剩下最后的对偶问题还未解决：

\[max_{\alpha}W(\alpha)=\sum_{i=1}^m\alpha_i-\frac{1}{2}\sum^m_{i=1,j=1}\alpha_i\alpha_jy^{(i)}y^{(j)}<x^{(i)},x^{(j)}> \]

\[C \geq \alpha_i \geq 0,i=1,2,...,m \]

\[\sum_{i=1}^m\alpha_iy^{(i)}=0 \]

我们需要根据上述问题设计出一个能够高效解决的算法，步骤如下：

1. 首先选择两个要改变的\(\alpha\)值\(\alpha_i\)、\(\alpha_j\)
2. 其次保持除了\(\alpha_i\)、\(\alpha_j\)之外的所有参数固定
3. 最后同时相对于这两个参数使\(\omega\)取最优，且同时满足所有约束条件

怎样在满足所有约束条件的情况下，相对于选出来的两个参数\(\alpha_i\)、\(\alpha_j\)使\(\omega\)取最优值？SMO优化算法能够高效完成这个工作。SMO算法非常的高效，只需要更多次数的迭代以达到收敛，而且每次迭代所需要的代价都非常小。

为了推出这个步骤，我们需要相对于\(\alpha_i\)、\(\alpha_j\)进行更新，假设取值是\(\alpha_1\)、\(\alpha_2\)，即假设\(\alpha_1\)、\(\alpha_2\)不再是变量（可以由其他值推出），可以根据约束条件推导得到：

\[\begin{split} \sum_{i=1}^m\alpha_iy^{(i)}&=0 \\ \alpha_1y_1+\alpha_2y_2&=-\sum_{i=3}^m\alpha_iy^{(i)} \end{split} \]

由于\(\alpha_3\)、\(\alpha_4\)、...、\(\alpha_m\)都是已知固定值，因此为了方便将等式右边，可将等式右边标记成\(\zeta\)：

\[\alpha_1y^{(1)}+\alpha_2^{(2)}=\zeta \]

还有一个约束条件：

\[C \geq \alpha_i \geq 0,i=1,2,...,m \]

这个约束条件被称作为“方形约束”，如果将\(\alpha_1\)、\(\alpha_2\)画出来：

那么\(\alpha_1\)、\(\alpha_2\)表示的值应该都在\([0,C]\)之间，也就是在方框里面，这意味着：

\[\alpha_1=\frac{\zeta-\alpha_2y^{(2)}}{y^{(1)}} \]

然后带入到需要求解的式子中：

\[W(\alpha_1,\alpha_2,...,\alpha_m)=W(\frac{\zeta-\alpha_2y^{(2)}}{y^{(1)}},\alpha_2,...,\alpha_m) \]

在前面我们认为\(\alpha_3\)、\(\alpha_4\)、...、\(\alpha_m\)都是已知固定值，只有\(\alpha_1\)、\(\alpha_2\)是未知需要求解的。那么把\(W(\frac{\zeta-\alpha_2y^{(2)}}{y^{(1)}},\alpha_2,...,\alpha_m)\)展开后可以表示成\(a\alpha_2^2+b\alpha_2+c\)的形式，其中\(a\)、\(b\)、\(c\)是由\(\alpha_3\)、\(\alpha_4\)、...、\(\alpha_m\)表示出来，即\(W\)是一个二次函数。而其实对于所有的\(\alpha\)，如果保持其他参数都固定的话，都可以表示成\(W\)关于某个\(\alpha\)的一元二次函数：

\[\begin{split} W(\alpha_1,\alpha_2,...,\alpha_m)&=W(\frac{\zeta-\alpha_2y^{(2)}}{y^{(1)}},\alpha_2,...,\alpha_m) \\ &=a\alpha_2^2+b\alpha_2+c \end{split} \]

由于上面式子是一个标准的一元二次函数，所以很容易求解出最优值，从而可以得到\(\alpha_2\)的最优值，而这个最优值一定会在上图中\(\alpha_1-\alpha_2=\zeta\)这条线上，且在“方形约束”中。按照这种方式解除\(\alpha_2\)后，之后根据\(\alpha_1\)和\(\alpha_2\)的关系求解出\(\alpha_1\)，这样子就求解出了相对于\(\alpha_1\)和\(\alpha_2\)关于\(W\)，且满足所有约束条件的最优值，该算法的关键是对一个一元二次函数求最优解，这个求解非常简单，这就使得SMO算法的内嵌计算非常高效。

如何求解\(\alpha_2\)的值呢？只需要对式子进行求导\(a\alpha_2^2+b\alpha_2+c\)，即对\(W\)进行求导，然而要保证\(\alpha_2\)即在方形约束内，也在\(\alpha_1-\alpha_2=\zeta\)这条线上，那么就要保证\(H \geq \alpha_2 \geq L\)，这里使用\(\alpha_2^{new,unclipped}\)来表示求导出来的\(\alpha_2\)，然后最后\(\alpha_2^new\)的迭代更新方式如下所示：

\[\alpha_2^new=\begin{cases} H, & \text {if $\alpha_2^{new,unclipped}>H$} \\ \alpha_2^{new,unclipped}, & \text{if $H \geq \alpha_2^{new,unclipped} \geq L$} \\ L, & \text{if $\alpha_2^{new,unclipped} < L$} \end{cases} \]

得到\(\alpha_2\)后，由此可以返回求解\(\alpha_1\)得到新值\(\alpha_1\)，这里就是SMO优化算法的核心思想。根据SMO优化算法的核心思想：

1. 首先选择两个要改变的\(\alpha\)值\(\alpha_i\)、\(\alpha_j\)
2. 其次保持除了\(\alpha_i\)、\(\alpha_j\)之外的所有参数固定
3. 最后同时相对于这两个参数使\(\omega\)取最优，且同时满足所有约束条件

可以求解出所有的\(\alpha\)，使得\(W\)取得最大值，即原问题将得到解决：

\[max_{\alpha}W(\alpha)=\sum_{i=1}^m\alpha_i-\frac{1}{2}\sum^m_{i=1,j=1}\alpha_i\alpha_jy^{(i)}y^{(j)}<x^{(i)},x^{(j)}> \]

\[C \geq \alpha_i \geq 0,i=1,2,...,m \]

\[\sum_{i=1}^m\alpha_iy^{(i)}=0 \]

总结

svm的步骤总结如下：

1. 先确定间隔器，这里svm一般默认是几何间隔
2. 由间隔器确定间隔函数
3. 从间隔函数查看是否包含不等式约束形式
4. 根据拉格朗日对偶步骤计算得到参数w、b
5. 规则化不可分的参数，即在原对偶式子中加入离群点权重\(C\)，问题转换为\(max_{\alpha}W(\alpha)\)
6. 利用SMO优化算法求解\(W(\alpha)\)最优值，首先选择两个要改变的\(\alpha\)值\(\alpha_i\)、\(\alpha_j\)
7. 其次保持除了\(\alpha_i\)、\(\alpha_j\)之外的所有参数固定
8. 最后同时相对于这两个参数使\(\omega\)取最优，且同时满足所有约束条件，最后确定选取的这两个\(\alpha_i\)、\(\alpha_j\)的值
9. 重复步骤6-9直到所有参数\(\alpha\)求解完成

svm在神经网络出来之前一直是最优的算法。相比于之前的算法推导复杂一些，但是逻辑并不难，它不想逻辑回归那样去拟合样本点，而是根据几何空间去寻找最优的分割超平面，为了判断哪个超平面最好，引入几个平面间隔最大化目标，从而求解出结果。

实例

有一份数据svm_data1，加载读取：

import pandas as pd
import matplotlib.pyplot as plt
from scipy.io import loadmat
from sklearn import svm

# 加载data1
raw_data = loadmat('./svm_data1.mat')
# print(raw_data)

# 读取data1的数据
data = pd.DataFrame(raw_data['X'], columns=['X1', 'X2'])
data['y'] = raw_data['y']

positive = data[data['y'].isin([1])]
negative = data[data['y'].isin([0])]
print(positive.shape)
print(negative.shape)

# 查看data1的数据分布
fig, ax = plt.subplots(figsize=(12, 8))
ax.scatter(positive['X1'], positive['X2'], s=50, marker='x', label='Positive')
ax.scatter(negative['X1'], negative['X2'], s=50, marker='o', label='Negative')
ax.legend()
plt.show()

数据分布如下所示：

可以看到数据分在两边很好区分，用一般的分类器例如逻辑回归、朴素贝叶斯即可区分，这里就用svm的线性核进行分类，设置离群点的权重\(C=1\)，即不区分离群点：

svc = svm.LinearSVC(C=1, loss='hinge', max_iter=1000)

svc.fit(data[['X1', 'X2']], data['y'])
data1_score_1 = svc.score(data[['X1', 'X2']], data['y'])
print(data1_score_1)

得到的准确率为0.980392156863，分类的图如下：

可以看到左上角有一个点原来是正样本，但是被分类为蓝色(负样本)，所以正样本21个，负样本30个，被误分的概率刚好是\(\frac{1}{51}=‭0.01960784313‬\)，所以准确率是\(1-‭0.01960784313‬=0.980392156863\)，刚好对的上。现在这里设置离群点的权重\(C=100\)用以区分离群点，得到的准确率为1.0，分类图像为：

再看第二份数据分布图如下：

这次就不能用线性核分类，需要用到RBF核分类：

# 做svm分类，使用RBF核
svc = svm.SVC(C=100, gamma=10, probability=True)
svc.fit(data[['X1', 'X2']], data['y'])
data['Probability'] = svc.predict_proba(data[['X1', 'X2']])[:, 0]

分类的结果图如下所示：

结果得到的准确率只有0.769228287521，因此设置了网格调参：

# 简单的网格调参
C_values = [0.01, 0.03, 0.1, 0.3, 1, 3, 10, 30, 100]
gamma_values = [0.01, 0.03, 0.1, 0.3, 1, 3, 10, 30, 100]

best_score = 0
best_params = {'C': None, 'gamma': None}

# 网格调参开始
for C in C_values:
    for gamma in gamma_values:

        # 做svm分类，使用RBF核
        svc = svm.SVC(C=C, gamma=gamma, probability=True)
        svc.fit(data[['X1', 'X2']], data['y'])

        # 交叉验证
        data2_score = cross_validation.cross_val_score(svc, data[['X1', 'X2']], data['y'], scoring='accuracy', cv=3)
        print(data2_score.mean())

最后准确率提高到0.858437379017，调整到的最优参数为{'C': 10, 'gamma': 100}

数据和代码下载请关注公众号【 机器学习和大数据挖掘 】，后台回复【 机器学习 】即可获取