支持向量机SVM

13. 支持向量机SVM

13.1 简介

SVM全称是supported vector machine（支持向量机），即寻找到一个超平面使样本分成两类，并且间隔最大

SVM能够执行线性或非线性分类、回归，甚至是异常值检测任务。它是机器学习领域最受欢迎的模型之一。SVM特别适用于中小型复杂数据集的分类

13.2 硬间隔和软间隔

13.2.1 硬间隔

• 只有在数据是线性可分离的时候才有效
• 对异常值非常敏感

13.2.2 软间隔

• 尽可能在保持最大间隔宽阔和限制间隔违例之间找到良好的平衡

13.3 API

from sklearn import svm

SVM具有良好的鲁棒性，对未知数据拥有很强的泛化能力，特别是在数据量较少的情况下，相较其他传统机器学习算法具有更优的性能

13.3.1 使用SVM作为训练模型时，通常流程

• 对样本数据进行归一化
• 用核函数对样本进行映射（最常采用和核函数是RBF和Linear，在样本线性可分时，Linear效果要比RBF好）
• 用cross-validation和grid-search对超参数进行优选
• 用最优参数训练得到模型
• 测试

13.3.2 sklearn中支持向量分类三种方法

• SVC

  • class sklearn.svm.SVC(C=1.0, kernel=‘rbf’, degree=3,coef0=0.0,random_state=None)

    • C: 惩罚系数，用来控制损失函数的惩罚系数，类似于线性回归中的正则化系数
    • kernel: 算法中采用的核函数类型，核函数是用来将非线性问题转化为线性问题的一种方法
    • degree:
      当指定kernel为’poly’时，表示选择的多项式的最高次数，默认为三次多项式；
      若指定kernel不是’poly’，则忽略，即该参数只对’poly’有用。
    • coef0: 核函数常数值(y=kx+b中的b值)

• NuSVC

  • class sklearn.svm.NuSVC(nu=0.5)

    • nu： 训练误差部分的上限和支持向量部分的下限，取值在（0，1）之间，默认是0.5

• LinearSVC

  • class sklearn.svm.LinearSVC(penalty=‘l2’, loss=‘squared_hinge’, dual=True, C=1.0)

    • penalty:正则化参数
    • loss:损失函数
    • dual:是否转化为对偶问题求解，默认是True
    • C:惩罚系数

13.4 算法原理

13.4.1 目标函数

• 

13.4.2 目标函数求解过程

• 

  • 

• 对目标函数添加符号，转换为求最小值

  • 

• 

• 

  • 

• 求得超平面

  • 

• 求得分类决策函数

  • 

13.5 损失函数

• 0/1损失函数

• Hinge损失函数

• Logistic损失函数

13.6 核方法

核函数

• 将原始输入空间映射到新的特征空间，从而，使得原本线性不可分的样本可能在核空间可分

  • 

• 常见核函数

  • 

13.7 SVM回归

• 让尽可能多的实例位于预测线上，同时限制间隔违例
• 线距的宽度由超参数ε控制

13.8 案例：数字识别器

13.9 SVM总结

一种二类分类模型

在特征空间中寻找间隔最大化的分离超平面的线性分类器

13.9.1 优点

• 在高维空间中非常高效
• 即使在数据维度比样本数量大的情况下仍然有效
• 在决策函数（称为支持向量）中使用训练集的子集,因此它也是高效利用内存的
• 通用性：不同的核函数与特定的决策函数一一对应

13.9.2 缺点

• 如果特征数量比样本数量大得多，在选择核函数时要避免过拟合
• 对缺失数据敏感
• 对于核函数的高维映射解释力不强