Machine Learning系列实验--支持向量机SVM

最新推荐文章于 2024-06-07 19:39:31 发布

最新推荐文章于 2024-06-07 19:39:31 发布 · 164 阅读

文章标签：

#SVM #支持向量机 #c++ #SMO

机器学习专栏收录该内容

6 篇文章

订阅专栏

本文介绍了一个简单的SVM分类器实现过程，通过使用SMO算法解决优化问题，并给出了具体的代码示例。实验结果显示该分类器能正确区分不同类别的样本。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

理论部分见：http://www.cnblogs.com/biyeymyhjob/archive/2012/07/17/2591592.html

http://blog.youkuaiyun.com/sunmenggmail/article/details/7445035

//这个版本的代码仅可以算是初步实现，一些代码优化还有停止条件的选择还有待改进。
#include <iostream>
#include <cmath>
using namespace std;

#define N 12  //样本空间大小
#define C 4 //惩罚参数
#define M 2 //样本维数

double b = 4;//原始问题常数参数b
double W[M]; //原始问题参数
double A[N] = {0}; //初始化对偶问题参数

//训练样本
double X[N][M] = {
  {1, 2},
  {1, 1},
  {-2, 2},
  {2, 1},
  {-2, 1},
  {-1, 1},
  {1, 4},
  {2, 3},
  {3, 2},
  {-1, 4},
  {-2, 3},
  {-3, 2}
};

double Y[] = {-1, -1,  -1,-1,-1,-1, 1, 1, 1, 1, 1, 1};

//kernel tricks
double Kernel (double *x, double *y, int length)
{
  double sum = 0;
  for (int k = 0; k < M; k++)
      sum += pow(x[k] * y[k] ,2);//将x=（x1, x2)映射到z = (z1, z2) = (x1*x1, x2*x2)上，将x空间的椭圆变换成新空间里的直线，当然，这只是实验，核函数还有很多，具体选什么样的核函数还要视情况而定。
  //return pow(sum, 2);
  return sum;
}

//kernel tricks for samples
double K (int i, int j)
{
  return Kernel(X[i], X[j], M);
}

//tool function
double Convert(double *x)
{
  int j = 0;
  double sum = 0;
  for (j = 0; j < N; j++)
  {
      sum += A[j] * Y[j] * Kernel(X[j], x, M);
  }
  return sum;
}

//求Ei
double E(int i)
{
  return Convert(X[i]) + b - Y[i];
}

//求函数间隔,与Ei仅差一个Yi
double g(double *x)
{
  return Convert(x) + b;
}


//选择两个变量进行坐标下降
bool choose(int &a1, int &a2)
{
  int i;
  for (i = 0; i < N; ++i)
  {
      //选择违反KKT的a作为第一个的变量
      if ((A[i] == 0 && Y[i] * g(X[i]) < 1) || (A[i] < C && A[i] > 0 && Y[i] * g(X[i]) != 1) || (A[i] == C && Y[i]*g(X[i]) > 1))
      {
          a1 = i;
          break;
      }
      else if( i == N - 1)
      {
          return true; //当所有参数都满足KKT时停止，无法满足时？TODO:将可行间隙比率 增加为停止条件 
      }
  }

  double e1 = E(a1);
  double e, e2, max = 0;
  for (i = 0; i < N; i++)
  {
      if (i != a1)
      {
          e = E(i);
          if (abs(e1-e) > max)
          {
              max = abs(e1 - e);
              a2 = i;
              e2 = e;
          }
      }
  }

  double L, H;
  if (Y[a1] != Y[a2])
  {
      L = A[a2] - A[a1] > 0 ? A[a2] - A[a1] : 0;
      H = C + A[a2] -A[a1] < C ? C + A[a2] -A[a1] :C;
  }
  else
  {
      L = A[a2] + A[a1] - C > 0 ? A[a2] + A[a1] - C : 0;
      H = A[a2] + A[a1] < C ? A[a2] + A[a1] :C;
  }
  double temp = A[a2] + Y[a2] * (e1 - e2) / (K(a1, a1) + K(a2, a2) -2 * K (a1, a2));
  double old = A[a2];
  A[a2] = temp < L ? L : (temp > H ? H : temp); //更新a2
  A[a1] = A[a1] + Y[a1]* Y[a2] * (old - A[a2]);//更新a1
  return false;
}

double compute_b(int num, int a1, int a2)
{
  double sum = 0;
  int t = num == 1 ? a1: a2;
  for (int i = 0; i < N; i++)
  {
      if (i != a1 && i!= a2)
          sum += A[i] * Y[i] * K(i, t); 
  }
  return  Y[t] - sum - A[a1] * Y[a1] * K(a1, t) - A[a2] * Y[a2] * K(a2, t);
}

//SMO 算法解最优化对偶问题
void SMO()
{
  int a1, a2;
  double b1, b2;
  int i =0;
  while(true)
  {
      i++;
      if (i > 100)
          break;//当停止条件改进后，就不再需要
      if (choose(a1, a2))
      {
          //满足KKT就停止
          return;
      }
      else//更新b
      {
          b1 = compute_b(1, a1, a2);
          b2 = compute_b(2, a1, a2);
          if ((A[a1] < C && A[a1] > 0) && (A[a2] < C && A[a2]) > 0)
          {
              b = b1 ;
          }
          if ((A[a1] == 0 || A[a1] == C) && (A[a2] == 0 || A[a2] == C) )
          {
              b = (b1 + b2) / 2;
          }
      }
  }
}

int main()
{
  SMO();
  
  double  test[] = {0, -5};
  cout << g(test) << endl;
  
  return 0;
}

实验结果为：2.94999 ，说明（0，-5）点是正的，其他结果同样可以验证。

SVM分类结果图：