SVM sklearn python实现小示例

示例说明

本示例是一个简单的试验，甚至连数据集都不用额外准备，旨在加深对SVM和核函数的理解，并看看如何利用 scikit-learn 中的svm，
编译环境是 jupyter notebook， 可以通过安装 Anaconda，导入 scikit-learn 库可以很容易实现，github示例代码。本例中变没有用外部数据集，而是随机生成的点，大家在理解算法和 scikit-learn 熟练使用后，可以尝试导入有具体意义的数据集，看看SVM的效果。

概述

SVM_demo_with_sklearn.ipynb代码中主要分为两个部分
* 线性 SVM 分类器
* SVM 与核函数

Section 1: 线性 SVM 分类器

首先导入依赖包

%matplotlib inlineimport numpy as npimport matplotlib.pyplot as pltimport seaborn; from sklearn.linear_model import LinearRegressionfrom scipy import statsimport pylab as plseaborn.set()

支持向量机是解决分类和回归问题非常强大的有监督学习算法。简单说来，linear的SVM做的事情就是在不同类别的“数据团”之间划上一条线，对线性可分集，总能找到使样本正确划分的分界面，而且有无穷多个，哪个是最优？ 必须寻找一种最优的分界准则，SVM试图找到一条最健壮的线，什么叫做最健壮的线？其实就是离2类样本点最远的线。

from sklearn.datasets.samples_generator import make_blobsX, y = make_blobs(n_samples=50, centers=2,                  random_state=0, cluster_std=0.60)xfit = np.linspace(-1, 3.5)plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='spring')# 其实随意给定3组参数，就可以画出3条不同的直线，但它们都可以把图上的2类样本点分隔开for m, b, d in [(1, 0.65, 0.33), (0.5, 1.6, 0.55), (-0.2, 2.9, 0.2)]:    yfit = m * xfit + b    plt.plot(xfit, yfit, '-k')    plt.fill_between(xfit, yfit - d, yfit + d, edgecolor='none', color='#AAAAAA', alpha=0.4)plt.xlim(-1, 3.5);

from sklearn.svm import SVCclf = SVC(kernel='linear')clf.fit(X, y)def plot_svc_decision_function(clf, ax=None):    """Plot the decision function for a 2D SVC"""    if ax is None:        ax = plt.gca()    x = np.linspace(plt.xlim()[0], plt.xlim()[1], 30)    y = np.linspace(plt.ylim()[0], plt.ylim()[1], 30)    Y, X = np.meshgrid(y, x)    P = np.zeros_like(X)    for i, xi in enumerate(x):        for j, yj in enumerate(y):            P[i, j] = clf.decision_function([xi, yj])    # plot the margins    ax.contour(X, Y, P, colors='k',               levels=[-1, 0, 1], alpha=0.5,               linestyles=['--', '-', '--'])

• 分隔超平面：上述将数据集分割开来的直线叫做分隔超平面。
• 超平面：如果数据集是N维的，那么就需要N-1维的某对象来对数据进行分割。该对象叫做超平面，也就是分类的决策边界。
• 间隔：一个点到分割面的距离，称为点相对于分割面的距离。数据集中所有的点到分割面的最小间隔的2倍，称为分类器或数据集的间隔。
• 最大间隔：SVM分类器是要找最大的数据集间隔。
• 支持向量：离分割超平面最近的那些点

sklearn的SVM里面会有一个属性support_vectors_，标示“支持向量”，也就是样本点里离超平面最近的点，组成的。
咱们来画个图，把超平面和支持向量都画出来。

plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='spring')plot_svc_decision_function(clf)plt.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1],            s=200, facecolors='none');

可以用IPython的 interact 函数来看看样本点的分布，会怎么样影响超平面:

from IPython.html.widgets import interactdef plot_svm(N=100):    X, y = make_blobs(n_samples=200, centers=2,                      random_state=0, cluster_std=0.60)    X = X[:N]    y = y[:N]    clf = SVC(kernel='linear')    clf.fit(X, y)    plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='spring')    plt.xlim(-1, 4)    plt.ylim(-1, 6)    plot_svc_decision_function(clf, plt.gca())    plt.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1],                s=200, facecolors='none')interact(plot_svm, N=[10, 200], kernel='linear');

Section 2: SVM 与 核函数

对于非线性可切分的数据集，要做分割，就要借助于核函数了简单一点说呢，核函数可以看做对原始特征的一个映射函数，
不过SVM不会傻乎乎对原始样本点做映射，它有更巧妙的方式来保证这个过程的高效性。
下面有一个例子，你可以看到，线性的kernel(线性的SVM)对于这种非线性可切分的数据集，是无能为力的。

from sklearn.datasets.samples_generator import make_circlesX, y = make_circles(100, factor=.1, noise=.1)clf = SVC(kernel='linear').fit(X, y)plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='spring')plot_svc_decision_function(clf);

然后强大的高斯核/radial basis function就可以大显身手了:

r = np.exp(-(X[:, 0] ** 2 + X[:, 1] ** 2))from mpl_toolkits import mplot3ddef plot_3D(elev=30, azim=30):    ax = plt.subplot(projection='3d')    ax.scatter3D(X[:, 0], X[:, 1], r, c=y, s=50, cmap='spring')    ax.view_init(elev=elev, azim=azim)    ax.set_xlabel('x')    ax.set_ylabel('y')    ax.set_zlabel('r')interact(plot_3D, elev=[-90, 90], azip=(-180, 180));

你在上面的图上也可以看到，原本在2维空间无法切分的2类点，映射到3维空间以后，可以由一个平面轻松地切开了。
而带rbf核的SVM就能帮你做到这一点:

clf = SVC(kernel='rbf')clf.fit(X, y)plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='spring')plot_svc_decision_function(clf)plt.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1],            s=200, facecolors='none');

关于SVM的总结:

• 非线性映射是SVM方法的理论基础，SVM利用内积核函数代替向高维空间的非线性映射；
• 对特征空间划分的最优超平面是SVM的目标，最大化分类边际的思想是SVM方法的核心；
• 支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。因此，模型需要存储空间小，算法鲁棒性强；
• 无任何前提假设，不涉及概率测度；
• SVM算法对大规模训练样本难以实施
• 用SVM解决多分类问题存在困难，经典的支持向量机算法只给出了二类分类的算法，而在数据挖掘的实际应用中，一般要解决多类的分类问题。可以通过多个二类支持向量机的组合来解决。主要有一对多组合模式、一对一组合模式和SVM决策树；再就是通过构造多个分类器的组合来解决。主要原理是克服SVM固有的缺点，结合其他算法的优势，解决多类问题的分类精度。如：与粗集理论结合，形成一种优势互补的多类问题的组合分类器。
• SVM是O(n^3)的时间复杂度。在sklearn里，LinearSVC是可扩展的(也就是对海量数据也可以支持得不错), 对特别大的数据集SVC就略微有点尴尬了。不过对于特别大的数据集，你倒是可以试试采样一些样本出来，然后用rbf核的SVC来做做分类。

依赖的 packages

• matplotlib
• pylab
• numpy
• seaborn

欢迎关注

• Github：https://github.com/youngxiao
• Email： [e-mail] or [e-mail]
• Blog: https://youngxiao.github.io