正文

精細(xì)高斯SVM（高斯部件）

發(fā)布時(shí)間：2023-04-13 15:11:48 稿源：創(chuàng)意嶺閱讀： 127

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于精細(xì)高斯SVM的問題，以下是小編對(duì)此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、SVM中的核函數(shù)與概率密度估計(jì)中的非參數(shù)估計(jì)里的核函數(shù)有什么內(nèi)在聯(lián)系？
2、12、核支持向量機(jī)SVM
3、如何利用 Python 實(shí)現(xiàn) SVM 模型
4、「數(shù)據(jù)分類」15支持向量機(jī)(SVM)及混淆矩陣

精細(xì)高斯SVM（高斯部件）

一、SVM中的核函數(shù)與概率密度估計(jì)中的非參數(shù)估計(jì)里的核函數(shù)有什么內(nèi)在聯(lián)系？

我覺得一樣，都是對(duì)距離的度量。

二、12、核支持向量機(jī)SVM

核支持向量機(jī)kernelized support vector machine，支持就是重要的意思，向量就是點(diǎn)，機(jī)就是機(jī)器，即重要的點(diǎn)。

位于類別之間邊界上的那些點(diǎn)，這些點(diǎn)叫作支持向量。想要對(duì)新樣本點(diǎn)進(jìn)行預(yù)測(cè)，需要測(cè)量它與每個(gè)支持向量之間的距離。

核支持向量機(jī)可用于回歸SVR和分類SVC。

下面利用乳腺癌數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練：

輸出

訓(xùn)練集的精度為1，但測(cè)試集精度只有63%，存在過擬合。SVM要求所有特征有相似的變化范圍，乳腺癌數(shù)據(jù)集的特征具有不同的量級(jí)，對(duì)核SVM有很大的影響，我們對(duì)每個(gè)特征進(jìn)行縮放，使其大致都位于同一范圍，如將所有特征縮放到0和1之間（每一個(gè)數(shù)-最小值/范圍，注意測(cè)試集也是采用訓(xùn)練集的最小值和范圍的標(biāo)準(zhǔn)）。

輸出

因?yàn)橛?xùn)練集和測(cè)試集的性能非常接近，但還沒有接近100%的精度，所以模型還是處于欠擬合的狀態(tài)。我們可以嘗試增大C或gamma來擬合更為復(fù)雜的模型。

gamma是控制高斯核寬度的參數(shù)，它決定了點(diǎn)與點(diǎn)之間靠近是指多大的距離，gamma越小，更多的點(diǎn)被看作比較靠近。C是正則化參數(shù)，它限制每個(gè)特征的重要性（確切的說每個(gè)點(diǎn)的dual_coef_）。兩個(gè)參數(shù)的設(shè)定通常是強(qiáng)烈相關(guān)的，應(yīng)該同時(shí)調(diào)節(jié)。默認(rèn)情況下，C=1，gamma=1。

輸出

增大C顯著改進(jìn)了模型，得到了97%的精度。

SVM允許決策邊界很復(fù)雜，即使數(shù)據(jù)只有幾個(gè)特征，它在低維數(shù)據(jù)和高維數(shù)據(jù)（即很少特征和很多特征）上的表現(xiàn)都很好。

缺點(diǎn)：1 需要進(jìn)行數(shù)據(jù)預(yù)處理，對(duì)數(shù)據(jù)的縮放和參數(shù)的設(shè)定非常敏感，所以數(shù)據(jù)預(yù)處理和調(diào)參都需要非常小心。這也是為什么如今很多應(yīng)用中用的都是基于樹的模型，比如隨機(jī)森林或梯度提升（需要很少的預(yù)處理，甚至不需要預(yù)處理）。 2 SVM模型很難檢查，也很難解釋為什么會(huì)這么預(yù)測(cè)，難以將模型向非專家進(jìn)行解釋。

三、如何利用 Python 實(shí)現(xiàn) SVM 模型

我先直觀地闡述我對(duì)SVM的理解，這其中不會(huì)涉及數(shù)學(xué)公式，然后給出Python代碼。

SVM是一種二分類模型，處理的數(shù)據(jù)可以分為三類：

線性可分，通過硬間隔最大化，學(xué)習(xí)線性分類器
近似線性可分，通過軟間隔最大化，學(xué)習(xí)線性分類器
線性不可分，通過核函數(shù)以及軟間隔最大化，學(xué)習(xí)非線性分類器

線性分類器，在平面上對(duì)應(yīng)直線；非線性分類器，在平面上對(duì)應(yīng)曲線。

硬間隔對(duì)應(yīng)于線性可分?jǐn)?shù)據(jù)集，可以將所有樣本正確分類，也正因?yàn)槿绱耍茉肼晿颖居绊懞艽?，不推薦。

軟間隔對(duì)應(yīng)于通常情況下的數(shù)據(jù)集（近似線性可分或線性不可分），允許一些超平面附近的樣本被錯(cuò)誤分類，從而提升了泛化性能。

如下圖：

實(shí)線是由硬間隔最大化得到的，預(yù)測(cè)能力顯然不及由軟間隔最大化得到的虛線。

對(duì)于線性不可分的數(shù)據(jù)集，如下圖：

我們直觀上覺得這時(shí)線性分類器，也就是直線，不能很好的分開紅點(diǎn)和藍(lán)點(diǎn)。

但是可以用一個(gè)介于紅點(diǎn)與藍(lán)點(diǎn)之間的類似圓的曲線將二者分開，如下圖：

精細(xì)高斯SVM（高斯部件）我們假設(shè)這個(gè)黃色的曲線就是圓，不妨設(shè)其方程為x^2+y^2=1，那么核函數(shù)是干什么的呢？

我們將x^2映射為X，y^2映射為Y，那么超平面變成了X+Y=1。

那么原空間的線性不可分問題，就變成了新空間的（近似）線性可分問題。

此時(shí)就可以運(yùn)用處理（近似）線性可分問題的方法去解決線性不可分?jǐn)?shù)據(jù)集的分類問題。

---------------------------------------------------------------------------------------------------------------------------

以上我用最簡(jiǎn)單的語(yǔ)言粗略地解釋了SVM，沒有用到任何數(shù)學(xué)知識(shí)。但是沒有數(shù)學(xué)，就體會(huì)不到SVM的精髓。因此接下來我會(huì)用盡量簡(jiǎn)潔的語(yǔ)言敘述SVM的數(shù)學(xué)思想，如果沒有看過SVM推導(dǎo)過程的朋友完全可以跳過下面這段。

對(duì)于求解（近似）線性可分問題：

由最大間隔法，得到凸二次規(guī)劃問題，這類問題是有最優(yōu)解的（理論上可以直接調(diào)用二次規(guī)劃計(jì)算包，得出最優(yōu)解）
我們得到以上凸優(yōu)化問題的對(duì)偶問題，一是因?yàn)閷?duì)偶問題更容易求解，二是引入核函數(shù)，推廣到非線性問題。
求解對(duì)偶問題得到原始問題的解，進(jìn)而確定分離超平面和分類決策函數(shù)。由于對(duì)偶問題里目標(biāo)函數(shù)和分類決策函數(shù)只涉及實(shí)例與實(shí)例之間的內(nèi)積，即<xi,xj>。我們引入核函數(shù)的概念。
拓展到求解線性不可分問題：

如之前的例子，對(duì)于線性不可分的數(shù)據(jù)集的任意兩個(gè)實(shí)例：xi,xj。當(dāng)我們?nèi)∧硞€(gè)特定映射f之后，f(xi)與f(xj)在高維空間中線性可分，運(yùn)用上述的求解（近似）線性可分問題的方法，我們看到目標(biāo)函數(shù)和分類決策函數(shù)只涉及內(nèi)積<f(xi),f(xj)>。由于高維空間中的內(nèi)積計(jì)算非常復(fù)雜，我們可以引入核函數(shù)K(xi,xj)=<f(xi),f(xj)>，因此內(nèi)積問題變成了求函數(shù)值問題。最有趣的是，我們根本不需要知道映射f。精彩！

我不準(zhǔn)備在這里放推導(dǎo)過程，因?yàn)橐呀?jīng)有很多非常好的學(xué)習(xí)資料，如果有興趣，可以看：CS229 Lecture notes

最后就是SMO算法求解SVM問題，有興趣的話直接看作者論文：Sequential Minimal Optimization:A Fast Algorithm for Training Support Vector Machines

我直接給出代碼：SMO+SVM

在線性可分?jǐn)?shù)據(jù)集上運(yùn)行結(jié)果：

圖中標(biāo)出了支持向量精細(xì)高斯SVM（高斯部件）這個(gè)非常完美，支持向量都在超平面附近。

在線性不可分?jǐn)?shù)據(jù)集上運(yùn)行結(jié)果（200個(gè)樣本）：

核函數(shù)用了高斯核，取了不同的sigma

sigma=1，有189個(gè)支持向量，相當(dāng)于用整個(gè)數(shù)據(jù)集進(jìn)行分類。

sigma=10，有20個(gè)支持向量，邊界曲線能較好的擬合數(shù)據(jù)集特點(diǎn)。

精細(xì)高斯SVM（高斯部件）我們可以看到，當(dāng)支持向量太少，可能會(huì)得到很差的決策邊界。如果支持向量太多，就相當(dāng)于每次都利用整個(gè)數(shù)據(jù)集進(jìn)行分類，類似KNN。

四、「數(shù)據(jù)分類」15支持向量機(jī)(SVM)及混淆矩陣

1.支持向量機(jī)（SVM）概述

（1）支持向量機(jī)(Support Vector Machines，SVM)是一種二元分類模型，它是一類模型的統(tǒng)稱，其中包括：

①線性可分支持向量機(jī)；

②線性支持向量機(jī)；

③非線性支持向量機(jī)。

（2）核心思想：

訓(xùn)練階段在特征空間中尋找一個(gè)超平面，它能（或盡量能）將訓(xùn)練樣本中的正例和負(fù)例分離在它的兩側(cè)，預(yù)測(cè)時(shí)以該超平面作為決策邊界判斷輸入實(shí)例的類別。尋找超平面的原則是，在可分離的情況下使超平面與數(shù)據(jù)集間隔最大化。

（3）支持向量機(jī)的分類示意圖為：

簡(jiǎn)單來說，SVM的原理就是在平面內(nèi)找到一條直線，使得這兩類不同的樣本點(diǎn)分開，并且保證能夠盡可能遠(yuǎn)的遠(yuǎn)離這條直線。用向量表示兩類樣本點(diǎn)之間的分類間隔(Margin)為：

支持向量機(jī)的目的是使r最大，等價(jià)于使||w||/2最小。而幾何向量使分類間隔最大問題可以轉(zhuǎn)化為運(yùn)籌學(xué)上的約束優(yōu)化問題。因?yàn)樯婕疤鄰?fù)雜公式，此處省略。

只要理解了SVM的原理，并且學(xué)會(huì)利用sklearn庫(kù)調(diào)用SVM模塊，就達(dá)到了數(shù)據(jù)分析的目的。

2.SVM算法實(shí)現(xiàn)

（1）重要參數(shù)說明：

①kernel ：核函數(shù)，默認(rèn)是rbf，可以是‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’ 。

·kernel='linear'時(shí)為線性核，C越大分類效果越好，但有可能會(huì)過擬合（defaul C=1）；

·kernel='poly'時(shí)為多項(xiàng)式核函數(shù)；

·kernel='rbf'時(shí)（default）為高斯核，gamma值越小，分類界面越連續(xù)；gamma值越大，分類界面越“散”，分類效果越好，但有可能會(huì)過擬合。

②decision_function_shape：

·decision_function_shape='ovr'時(shí)，為one v rest，即一個(gè)類別與其他類別進(jìn)行劃分；

·decision_function_shape='ovo'時(shí)，為one v one，即將類別兩兩之間進(jìn)行劃分，用二分類的方法模擬多分類的結(jié)果。

（2）程序?qū)崿F(xiàn)過程：

【注】

在分類型模型評(píng)判的指標(biāo)中，常見的方法有如下三種：

①混淆矩陣（也稱誤差矩陣，Confusion Matrix）

混淆矩陣是評(píng)判模型結(jié)果的指標(biāo)，屬于模型評(píng)估的一部分。此外，混淆矩陣多用于判斷分類器（Classifier）的優(yōu)劣，適用于分類型的數(shù)據(jù)模型，如分類樹（Classification Tree）、邏輯回歸（Logistic Regression）、線性判別分析（Linear Discriminant Analysis）等方法。

混淆矩陣的一級(jí)指標(biāo)：

通過混淆矩陣可以計(jì)算出評(píng)估模型的幾個(gè)指標(biāo)（二級(jí)指標(biāo)）：

三級(jí)指標(biāo)：F1-score

其中，P代表Precision，R代表Recall。

F1-Score指標(biāo)綜合了Precision與Recall的產(chǎn)出的結(jié)果。F1-Score的取值范圍從0到1的，1代表模型的輸出最好，0代表模型的輸出結(jié)果最差。

Ps：當(dāng)分類結(jié)果多于兩種時(shí)，需要將結(jié)果轉(zhuǎn)化為上面的類型。

詳細(xì)內(nèi)容參考博文https://blog.csdn.net/Orange_Spotty_Cat/article/details/80520839

②ROC曲線

③AUC面積

以上就是關(guān)于精細(xì)高斯SVM相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。