ML--SVM学习小结（二）

-上周推导和总结了svm的基本算法，有了基本的一些概念。这周会贴出一些代码和对KKT条件的一些解读，当然理解还不够深刻，后面有机会会继续做一些探讨。在上周二次规划的课堂作业中，老师也对离散和连续问题之间的关系做了一些描述，有了不同角度的认识。同时入门了一下神经网络，不过这周不打算写出来，还没有对具体的算法做一些具体的探讨。这周毕设的题目出来了，任务是在特定的课题背景下做辐照度预测，下面也会贴一些本周自己做的一些调研和思考。

代码梳理和KKT条件的理解

svm算法本身很有条理，但是和前面一些算法对比起来，他的复杂程度要高出一些，原因在于差值的处理和内外循环的逻辑关系。smo算法的核心其实在KKT条件的解读，它选择两个alpha的理由是围绕这个条件展开的即违背KKT条件程度越大则目标函数值增长越快（这是一篇论文中推出的性质），在代码中体现在对于偏差影响力即具有最大步长。KKT条件是拉格朗日乘子法的泛化，同时也决定了只有对应alpha大于0的时候的这些解才是支持向量上的点，否则alpha都为0。这样也说明了大部分数据点对于超平面的建立没有帮助，只有支持向量。

fXi = float(multiply(alphas,labelMat).T*\(dataMatrix*dataMatrix[i,:].T)) + b#目标函数值Ei = fXi - float(labelMat[i])      #与样本插值

if (labelMat[i] != labelMat[j]):   L = max(0, alphas[j] - alphas[i])   H = min(C, C + alphas[j] - alphas[i])else:   L = max(0, alphas[j] + alphas[i] - C)   H = min(C, alphas[j] + alphas[i])

alphas[i] += labelMat[j]*labelMat[i]*(alphaJold - alphas[j])#alpha1的更新alphas[j] -= labelMat[j]*(Ei - Ej)/etaalphas[j] = clipAlpha(alphas[j],H,L)#alpha2的更新

毕设初步思考

-做了一点点调研。从课题背景摘出来，任务可以简化成评估和预测。
-数据源是nrel官网上的以及nasa官网上（nrel可以直接下载，nasa的数据有些好像只能查询，在考虑爬出来）。然后就是算法。
-初步有个想法，对于非直接的评估应该可以采用特征提取的方法，用类似PCA这类方法找到一个相关性高的参量来表征，然后算出一个definite result。如果是对本身的评估，就找到数据的某种统计特征分析；然后就是预测，本以为是单纯的时间序列预测。开学到现在听了几次学姐们的报告，其中主要矛盾似乎落在了对于阴晴天的分类，里面的一些问题由于没有开始着手做，所以还有很多问题没有考虑到。网上对于这类问题，似乎倾向于用神经网络，特别是一些带有记忆特性的,例如LSTM这类模型。
-当然对于有的明显特征的话，就不能忽略，能用经典的ml算法尝试也未尝不可，但重点我觉得在于对参数的严格考证。之前做的几个算法，对于模型本身的推导并没有太复杂的过程，然而在参数设计以及参数的求解上却花费了很大的功夫，这可能也是ML在特征工程上的一个问题吧。
-下面要做的：（1）数据预处理，初步先用python做，格式的话用numpy或者pandas我觉得都还行；（2）可视化；（3）套用几个模型，看看结果；（4）问题分析，选择算法。还有一段很长的路要走。

小插曲

-最近帮聪哥看文章，虽说是什么资本资产定价模型，有些思想我觉得还是相通的，特别是在假设、建模、参数等方面。虽说看上去有点偏离主题，但是对于这种学科交叉密集的学科拓宽视野感觉也很有必要，课题背景可以千差万别，modeling可以万变不离其宗。=。=随便说说。