支持向量机(SVM)算法的Python实现
来源:互联网 发布:都市重生小说知乎 编辑:程序博客网 时间:2024/05/16 12:43
支持向量机(SVM)算法的Python实现
更多机器学习算法的实现,详见 https://github.com/WiseDoge/ML-by-Python
import numpy as npclass SVC(object): """ 支持向量机(Support Vector Machine)二分类器, 默认的核函数是 多项式函数。 使用时,正类用1表示,负类用-1表示。 如果有必要,可自行编写新的核函数。 """ def __init__(self, C, e=0.3, kernel='poly'): ''' :param C: 常数C,用来控制非线性部分的权重 :param e: 误差,做为训练停止的条件 :param kernel: 核函数,默认为多项式函数 ''' self.kernel = self.poly_kern self.e = e self.C = C self.bias = 0 def poly_kern(self, x, z, p=1): ''' :param x: 第一个向量 :param z: 第二个向量 :param p: 指数,默认为1,代表线性。 :return: (np.dot(x, z) + 1) ** p ''' return (np.dot(x, z) + 1) ** p def fit(self, train_x, train_y): ''' :param train_x: 训练集X :param train_y: 训练集Y :return: None 拟合SVM ''' self.train_x = train_x self.train_y = train_y self.alpha = np.zeros(train_x.shape[0]) while True: index1, index2 = self.choose_alpha() if index1 == -1: break if self.train(index1, index2): break def get_index_two(self, index1): ''' :param index1: alpha1的下标 :return: alpha2的下标 SMO算法的步骤,给定alpha1的坐标,通过MAX|E1 - E2|来获取alpha2的下标 ''' errors = np.array([abs(self.error(i) - self.error(index1)) for i in range(self.train_x.shape[0])]) return np.where(errors == errors.max())[0][0] def choose_alpha(self): ''' :return: alpha1和alpha2的下标 SMO算法的步骤,用来选取alpha1 ''' for i in range(self.alpha.shape[0]): if 0 < self.alpha[i] < self.C: if 1 - self.e <= self.train_y[i] * self.g(self.train_x[i]) <= 1 + self.e: index2 = self.get_index_two(i) return i, index2 for i in range(self.alpha.shape[0]): if 0 < self.alpha[i] < self.C: continue if self.alpha[i] == 0: if self.train_y[i] * self.g(self.train_x[i]) < 1: index2 = self.get_index_two(i) return i, index2 else: if self.train_y[i] * self.g(self.train_x[i]) > 1: index2 = self.get_index_two(i) return i, index2 return -1, -1 def train(self, i1, i2): ''' :param i1: alpha1 :param i2: alpha2 :return: 停止训练返回True,继续训练返回False 采用SMO训练alpha,同时更新bias的值 ''' x1 = self.train_x[i1] x2 = self.train_x[i2] y1 = self.train_y[i1] y2 = self.train_y[i2] old_alpha = self.alpha.copy() eta = self.kernel(x1, x1) \ + self.kernel(x2, x2) \ - 2.0 * self.kernel(x1, x2) alpha2 = self.alpha[i2] \ + self.train_y[i2] * (self.error(i1) - self.error(i2)) / eta if y1 == y2: l = max(0, self.alpha[i2] + self.alpha[i1] - self.C) h = min(self.C, self.alpha[i2] + self.alpha[i1]) else: l = max(0, self.alpha[i2] - self.alpha[i1]) h = min(self.C, self.C + self.alpha[i2] - self.alpha[i1]) if alpha2 > h: alpha2 = h elif alpha2 < l: alpha2 = l alpha_old_1 = self.alpha[i1] self.alpha[i1] += y1 * y2 * (self.alpha[i2] - alpha2) self.alpha[i2] = alpha2 b1 = -1 * self.error(i1) \ - y1 * self.kernel(x1, x1) * (self.alpha[i1] - alpha_old_1) \ - y2 * self.kernel(x2, x1) * (self.alpha[2] - alpha2) \ + self.bias b2 = -1 * self.error(i2) \ - y1 * self.kernel(x1, x2) * (self.alpha[i1] - alpha_old_1) \ - y2 * self.kernel(x2, x2) * (self.alpha[2] - alpha2) \ + self.bias if 0 < self.alpha[i1] < self.C: self.bias = b1 elif 0 < self.alpha[i2] < self.C: self.bias = b2 else: self.bias = 0.5 * (b1 + b2) if np.linalg.norm(old_alpha - self.alpha) < self.e: return True else: return False def error(self, index): ''' :param index: 要计算的训练集下标 :return: E(X) 求E(X) = g(x) - y,即预测值与真实值的偏差 ''' return self.g(self.train_x[index]) - self.train_y[index] def g(self, x): ''' :param x: 样本 :return: g(x) 预测函数 g(x) = Σ(alpha[i] * y[i] * k(x, xi)) + bias ''' ans = 0.0 for i in range(self.train_x.shape[0]): ans += self.alpha[i] * self.train_y[i] * self.kernel(x, self.train_x[i]) return ans + self.bias def predict_one(self, x): ''' :param x: 测试样本. :return: 样本所属类别 预测单个样本 ''' return 1 if self.g(x) >= 0 else -1 def predict(self, test_x): ''' :param test_x: 测试集 :return: 测试集样本的类别 ''' return np.array([self.predict_one(x) for x in test_x])
0 0
- 支持向量机(SVM)算法的Python实现
- python实现支持向量机SVM算法
- 支持向量机(SVM)算法的matlab的实现
- 支持向量机(SVM)的分析及python实现
- SVM支持向量机(SMO算法)的R实现
- 支持向量机(SVM)的SMO算法实现(Python)
- 支持向量机SVM算法应用【Python实现】
- 用Python的scikit-learn实现支持向量机SVM
- 机器学习算法与Python实践之(四)支持向量机(SVM)实现
- 机器学习算法与Python实践之(四)支持向量机(SVM)实现(源码)
- 机器学习算法与Python实践之(四)支持向量机(SVM)实现
- 机器学习算法与Python实践之(四)支持向量机(SVM)实现
- 机器学习算法与Python实践之(四)支持向量机(SVM)实现
- 机器学习算法与Python实践之(四)支持向量机(SVM)实现
- 支持向量机SVM通俗理解(python代码实现)
- SVM-支持向量机算法(一)
- 支持向量机(SVM)算法
- 支持向量机(SVM)算法
- codeforces 401
- 创建JavaWEB项目的时候新建一个jsp文件报错
- Node.js学习笔记(一)基础介绍
- FluentNHibernate
- Android Studio 切换eclipse 快捷键
- 支持向量机(SVM)算法的Python实现
- JAVA系书单
- boost smart_ptr -> scoped_ptr
- 卡片式布局 MD风格设计 卡片式背景
- nodejs-fs模块
- HttpUrlConnection使用时遇到的问题
- CART决策树的Python实现
- ElasticSearch安装
- 1119. Pre- and Post-order Traversals (30)