基于支持向量机(SVM)的分类预测
[Data Whale - 2020年8月组队打卡任务 - by Golden (wechat: freealafeimax)]
1. 前言
支持向量机(Support Vector Machine,SVM)是一个非常优雅的算法,具有非常完善的数学理论,常用于数据分类,也可以用于数据的回归预测中,由于其优美的**理论保证和利用核函数对于线性不可分问题的处理技巧**, 在上世纪90年代左右,SVM曾红极一时。 本文将不涉及非常严格和复杂的理论知识,力求于通过直觉来感受 SVM。
2. 学习目标
- 了解SVM的分类标准
- 了解SVM的软间隔分类
- 了解SVM的非线性核函数分类
[阿里云notebook:https://developer.aliyun.com/ai/scenario/b6c1ef3172d84236ae10c3b91798a796]
3. 代码流程
Demo实践
- Step1:库函数导入
- Step2:构建数据集并进行模型训练
- Step3:模型参数查看
- Step4:模型预测
- Step5:模型可视化
4. 算法实战
4.1 Demo实践
Step1: 库函数导入
## 基础函数库
import numpy as np
## 导入画图库
import matplotlib.pyplot as plt
import seaborn as sns
## 导入逻辑回归模型函数
from sklearn import svm
Step2: 构建数据集并进行模型训练
## Demo演示SVM分类
## 构造数据集
x_features = np.array([[-1,-2],[-2,-1],[-3,-2],[1,3],[2,1],[3,2]])
y_label = np.array([0,0,0,1,1,1])
## 调用SVC模型(支持向量机分类)
svc = svm.SVC(kernel = 'linear')
## 用SVM模型拟合构造的数据集
svc = svc.fit(x_features, y_label)
Step3: 模型参数查看
## 查看其对应模型的w
print('the weight of SVM:', svc.coef_)
## 查看其对应模型的w0
print('the intercept(w0) of SVM:', svc.intercept_)
Ouput:
截距 intercept w0只有一个
由于有2个特征变量,所以会有2个权重参数for x1, x2
Step4: 模型预测
y_train_pred = svc.predict(x_features)
print('The prediction result:',y_train_pred)
Output:
The prediction result: [0 0 0 1 1 1]
Step5: 模型可视化
由于此处选择的线性核函数,所以在此我们可以将svm进行可视化。
# 最佳函数
x_range = np.linspace(-3,3)
w = svc.coef_[0]
a = -w[0] / w[1]
y_3 = a*x_range - (svc.intercept_[0] / w[1])
# 可视化决策边界
plt.figure()
plt.scatter(x_features[:,0], x_features[:,1], c=y_label, s=50, cmap='viridis')
plt.plot(x_range, y_3, '-c')
plt.show()
Output:
可以对照之前的逻辑回归模型的决策边界,我们可以发现两个决策边界是有一定差异的(可以对比2者在X,Y轴上的截距), 这说明这2个不同在相同数据集 上找到的判别线是不同的,而这不同的原因其实是由于两者选择的 最优目标 是不一致的。接下来我们进行SVM的一些简单介绍。
===> 延伸阅读
np.linspace()
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
产生从start到stop的等差数列,num为元素个数,默认50个
多用于模型训练
可见,这里我们生成了从 -3 到3 的等差数列。原因是因为我们用的是线性核函数。
5. 支持向量机SVM介绍
我们常常会碰到这样的一个问题,首先给你一些分属于两个类别的数据
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets.samples_generator import make_blobs
%matplotlib inline
# 画图
X,y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)
plt.scatter(X[:,0],X[:,1],c=y,s=60,cmap=plt.cm.Paired)
Output:
现在需要一个线性分类器,将这些数据分开来。
我们可能会有多重分法:
画散点图
X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)
plt.scatter(X[:,0],X[:,1],c=y,s=50,cmap=plt.cm.Paired)
x_fit = np.linspace(0,3)
# 画函数
y_1 = 1 * x_fit + 0.8
plt.plot(x_fit, y_1, '-c') # green line
y_2 = -0.3 * x_fit +3
plt.plot(x_fit, y_2, '-k') # black line
Output:
那么现在有一个问题,2个分类器,哪一个更好呢?
为了判断好坏,我们需要引入一个准则:好的分类器不仅仅是能够很好的分开已有的数据集,还能对未知数据集 进行2个的划分。
假设,现在有一个属于红色数据点的新数据(3,2.8)
# 画散点图
X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)
plt.scatter(X[:,0], X[:,1], c=y, s=50, cmap=plt.cm.Paired)
plt.scatter([3],[2.8],c='#cccc00',marker='<',s=100,cmap=plt.cm.Paired) # new point: 黄色的点
x_fit = np.linspace(0,3)
# 画函数
y_1 = 1*x_fit + 0.8
plt.plot(x_fit,y_1,'-c')
y_2 = -0.3*x_fit +3
plt.plot(x_fit,y_2,'-k')
Output:
可以看到,此时黑色的线会把这个新的数据集分错,而蓝色的线不会。
我们刚刚举的例子可能会带有一些主观性。
===>延伸阅读
plt.cm中cm全称表示colormap,
paired表示两个相近色彩输出,比如浅蓝、深蓝**;浅红、深红;浅绿,深绿**这种。
参数c就是color
<===
那么如何客观地评价两条线的健壮性呢?
此时,我们需要引入一个非常重要的概念:最大间隔。
最大间隔刻画着当前分类器与数据集的边界
以这2个分类器为例:
# 画散点图
X,y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)
plt.scatter(X[:,0],X[:,1],c=y,s=50,cmap=plt.cm.Paired)
x_fit = np.linspace(0,3)
# 画函数
y_1 = 1*x_fit + 0.8
plt.plot(x_fit,y_1,'-c')
# 画边距
plt.fill_between(x_fit,y_1-0.6, y_1+0.6,edgecolor='none',color='#AAAAAA',alpha=0.4)
y_2 = -0.3*x_fit +3
plt.plot(x_fit,y_2,'-k')
plt.fill_between(x_fit, y_2 - 0.4, y_2+0.4,edgecolor='none',color='#AAAAAA',alpha=0.4)
Output:
可以看到,蓝色的线最大间隔是大于黑色的线的。
所以我们会选择蓝色的线作为我们的分类器。
# 画散点图
X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)
plt.scatter(X[:,0],X[:,1],c=y,s=50,cmap=plt.cm.Paired)
# 画图
y_1 = 1*x_fit + 0.8
plt.plot(x_fit,y_1,'-c')
# 画边距
plt.fill_between(x_fit, y_1 - 0.6, y_1 + 0.6, edgecolor='none', color='#AAAAAA',alpha=0.4)
Output:
那么,我们现在的分类器是最优分类器吗?
或者说,有没有更好的分类器,它具有更大的间隔?
答案是有的。
为了找出__最优分类器,我们需要引入我们今天的主角:SVM
from sklearn.svm import SVC
# SVM 函数
clf = SVC(kernel='linear')
clf.fit(X,y)
Output:
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
decision_function_shape=’ovr’, degree=3, gamma=’auto_deprecated’,
kernel=’linear’, max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False)
# 最佳函数
w = clf.coef_[0]
a = -w[0]/w[1]
y_3 = a*x_fit - (clf.intercept_[0])/w[1]
# 最大边距 下届
b_down = clf.support_vectors_[0]
y_down = a*x_fit + b_down[1] - a * b_down[0]
# 最大边距 上届
b_up = clf.support_vectors_[-1]
y_up = a*x_fit + b_up[1] - a*b_up[0]
# 画散点图
X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)
plt.scatter(X[:,0],X[:,1],c=y,s=50,cmap=plt.cm.Paired)
# 画函数
plt.plot(x_fit, y_3, '-c')
# 画边距
plt.fill_between(x_fit, y_down, y_up, edgecolor='none',color='#AAAAAA',alpha=0.4)
# 画支持向量
plt.scatter(clf.support_vectors_[:,0],clf.support_vectors_[:,1],edgecolor='b',s=80,facecolors='none')
Output:
带蓝边的二点是距离当前分类器最近的点,我们称之为支持向量。
支持向量机为我们提供了在众多可能的分类器之间进行选择的原则,从而确保对未知数据集具有更高的泛化性。
但在很多时候,我们拿到的数据是这样子的:
# 画散点图
X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.9)
plt.scatter(X[:,0],X[:,1],c=y,s=50,cmap=plt.cm.Paired)
Output:
这种情况并不容易找到这样的最大间隔。
于是我们就有了软间隔**,相比于硬间隔而言,我们允许个别数据出现在间隔带中。
我们知道,如果没有一个原则进行约束,满足软间隔的分类器也会出现很多条。
所以需要对分错的数据进行乘法,SVC函数中,有一个参数C就是乘法参数。
乘法参数越小,容忍性就越大。(即C=0.2 比C=1 容忍性大)**
以C=1为例:
# 画散点图
X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.9)
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=plt.cm.Paired)
# 惩罚参数:C=1
clf = SVC(C=1, kernel='linear')
clf.fit(X, y)
# 最佳函数
w = clf.coef_[0]
a = -w[0] / w[1]
y_3 = a*x_fit - (clf.intercept_[0]) / w[1]
# 最大边距 下届
b_down = clf.support_vectors_[0]
y_down = a* x_fit + b_down[1] - a * b_down[0]
# 最大边距 上届
b_up = clf.support_vectors_[-1]
y_up = a* x_fit + b_up[1] - a * b_up[0]
# 画散点图
X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=plt.cm.Paired)
# 画函数
plt.plot(x_fit, y_3, '-c')
# 画边距
plt.fill_between(x_fit, y_down, y_up, edgecolor='none', color='#AAAAAA', alpha=0.4)
# 画支持向量
plt.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], edgecolor='b',
s=80, facecolors='none')
Output:
惩罚参数C=0.2时,SVM会更具包容性,从而兼容更多的错分样本。
X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.9)
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=plt.cm.Paired)
# 惩罚参数:C=0.2
clf = SVC(C=0.2, kernel='linear')
clf.fit(X, y)
x_fit = np.linspace(-1.5, 4)
# 最佳函数
w = clf.coef_[0]
a = -w[0] / w[1]
y_3 = a*x_fit - (clf.intercept_[0]) / w[1]
# 最大边距 下届
b_down = clf.support_vectors_[10]
y_down = a* x_fit + b_down[1] - a * b_down[0]
# 最大边距 上届
b_up = clf.support_vectors_[1]
y_up = a* x_fit + b_up[1] - a * b_up[0]
# 画散点图
X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=plt.cm.Paired)
# 画函数
plt.plot(x_fit, y_3, '-c')
# 画边距
plt.fill_between(x_fit, y_down, y_up, edgecolor='none', color='#AAAAAA', alpha=0.4)
# 画支持向量
plt.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], edgecolor='b',
s=80, facecolors='none')
Output:
===>延伸阅读
color=’#AAAAAA’ 灰色
<===
如果我们遇到这样的数据集,没有办法利用线性分类器进行分类:
from sklearn.datasets.samples_generator import make_circles
# 画散点图
X, y = make_circles(100, factor=0.1, noise=0.1, random_state=2019)
plt.scatter(X[:,0],X[:,1],c=y,s=50,cmap=plt.cm.Paired)
clf = SVC(kernel='linear').fit(X,y)
# 最佳函数
x_fit = np.linspace(-1.5,1.5)
w = clf.coef_[0]
a = -w[0]/w[1]
y_3 = a*X - (clf.intercept_[0])/w[1]
plt.plot(X, y_3, '-c')
Output:
我们可以将二维(低维)空间的数据映射到三维(高维)空间中。
此时,我们便可以通过一个超平面对数据进行划分。
所以,我们映射的目的在于使用 SVM 在高维空间找到超平面的能力。
from mpl_toolkits.mplot3d import Axes3D
# 数据映射
r = np.exp(-(X[:, 0] ** 2 + X[:, 1] ** 2))
ax = plt.subplot(projection='3d')
ax.scatter3D(X[:, 0], X[:, 1], r, c=y, s=50, cmap=plt.cm.Paired)
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('z')
x_1, y_1 = np.meshgrid(np.linspace(-1, 1), np.linspace(-1, 1))
z = 0.01*x_1 + 0.01*y_1 + 0.5
ax.plot_surface(x_1, y_1, z, alpha=0.3)
Output:
在 SVC 中,我们可以用高斯核函数来实现这以功能:kernel=’rbf’
# 画图
X, y = make_circles(100, factor=.1, noise=.1, random_state=2019)
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=plt.cm.Paired)
clf = SVC(kernel='rbf')
clf.fit(X, y)
ax = plt.gca()
x = np.linspace(-1, 1)
y = np.linspace(-1, 1)
x_1, y_1 = np.meshgrid(x, y)
P = np.zeros_like(x_1)
for i, xi in enumerate(x):
for j, yj in enumerate(y):
P[i, j] = clf.decision_function(np.array([[xi, yj]]))
ax.contour(x_1, y_1, P, colors='k', levels=[-1, 0, 0.9], alpha=0.5,
linestyles=['--', '-', '--'])
plt.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], edgecolor='b',
s=80, facecolors='none');
此时便完成了非线性分类。
SVM 的基础知识的直观感受到此就结束了。