支持向量机Support Vector Machine,就是所谓的SVM,它指的是一系列的机器学习算法,根据解决问题的不同,分为SVC(分类)和SVR(回归)
SVC,Support Vector Classification,其本质也是支持向量机support vector ,只不过是用于分类classification 任务
SVR,Support Vector Regression,其本质也是支持向量机support vector ,只不过是用于回归Regression 任务
本专栏主要是分类算法的总结,主要介绍SVC
C-Support Vector Classification (C-支持向量分类器)其实现基于libsvm。拟合时间至少与样本数成二次方关系,超过数万个样本后可能就不可行了。对于大型数据集,可以考虑使用 LinearSVC或SGDClassifier,可能的话,在使用Nystroem变换器或其他内核近似方法后再使用。
一、算法思路
以二分类任务为例,有两类不同的样本数据,新来一个样本,对其进行归类划分;下面是一些核心概念,用我自己的大白话进行描述
寻找一条线,可以将这两个类别的样本数据进行划分,这条线称之为决策边界
以决策边界为中心,分别向两边进行平移,触碰到样本点为止,这两条线之间的间隔称为margin(间隔);所触碰到的样本点称为支持向量
最终变成寻找margin最大问题
决策边界:找到一个可以划分这两个类别数据的一条线(二维),或者一个超平面(三维)等
间隔:以决策边界为中心向两边平移,直到碰到最近的样本点为止,这两条线之间的距离就是margin(间隔)
支持向量:以决策边界为中心向两边平移,这两条线所碰到的样本点被称为支持向量
硬间隔:死板的间隔,严格按照算法求解思路进行操作得到的间隔
软间隔:灵活的间隔,若来了一个异常点或者噪点,可以根据正则化进行限制,得到一个合乎
这里的蓝色噪点更应该属于五边形类别,但是它在数据集样本中是五角星类别,该样本是个噪点,会影响正常的分类,需要进行排除,此时就引入了软间隔,降低该噪点的影响。
二、官网API
python
class sklearn.svm.SVC(*, C=1.0, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape='ovr', break_ties=False, random_state=None)
这里的参数还是比较多的,具体的参数使用,可以根据官网给的demo进行学习,多动手尝试;这里就以一些常用的参数进行说明。
导包:from sklearn.svm import SVC
①正则化参数C
正则化强度与C成反比,惩罚是L2正则化的平方,C是一个浮点数类型
具体官网详情如下:
使用方式
SVC(C=2.0)
②核函数kernel
'linear ':线性核函数,速度快;只能处理数据集样本线性可分 ,不能处理线性不可分。
'poly ':多项式核函数,可将数据集样本升维,从低维空间映射到高维空间;参数较多,计算量大
'rbf ':高斯核函数,和多项式核函数一样,可将样本升维;相较于多项式核函数来说,参数较少;默认值
'sigmoid ':sigmoid 核函数;当选用 sigmoid 核函数时,SVM 可实现的是多层神经网络
'precomputed ':核矩阵;使用用户给定的核函数矩阵(n*n)
也可以自定义自己的核函数,然后进行调用即可
具体官网详情如下:
使用方式
SVC(kernel='sigmoid')
③多项式核函数的阶数degree
多项式核函数的阶数;该参数只对多项式核函数(poly)有用;若是其他的核函数,系统会自动忽略该参数
具体官网详情如下:
使用方式
SVC(kernel='ploy',degree=2)
④核系数gamma
rbf、poly 和 sigmoid 核函数的核系数,该参数只针对这三个核函数,需要注意
'scale ':默认值,具体的计算公式看下面的详细官网详情
'auto ':具体的计算公式看下面的详细官网详情
或者是其他的浮点数均可
具体官网详情如下:
使用方式
SVC(gamma='auto')
⑤随机种子random_state
如果要是为了对比,需要控制变量的话,这里的随机种子最好设置为同一个整型数
具体官网详情如下:
使用方式
SVC(random_state=42)
⑥最终构建模型
SVC(C=3.0,kernel='sigmoid',gamma='auto',random_state=42)
三、代码实现
①导包
这里需要评估、训练、保存和加载模型,以下是一些必要的包,若导入过程报错,pip安装即可
python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import joblib
%matplotlib inline
import seaborn as sns
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import confusion_matrix, classification_report, accuracy_score
②加载数据集
数据集可以自己简单整个,csv格式即可,我这里使用的是6个自变量X和1个因变量Y
python
fiber = pd.read_csv("./fiber.csv")
fiber.head(5) #展示下头5条数据信息
③划分数据集
前六列是自变量X,最后一列是因变量Y
常用的划分数据集函数官网API:train_test_split
test_size
:测试集数据所占比例
train_size
:训练集数据所占比例
random_state
:随机种子
shuffle
:是否将数据进行打乱
因为我这里的数据集共48个,训练集0.75,测试集0.25,即训练集36个,测试集12个
python
X = fiber.drop(['Grade'], axis=1)
Y = fiber['Grade']
X_train, X_test, y_train, y_test = train_test_split(X,Y,train_size=0.75,test_size=0.25,random_state=42,shuffle=True)
print(X_train.shape) #(36,6)
print(y_train.shape) #(36,)
print(X_test.shape) #(12,6)
print(y_test.shape) #(12,)
④构建SVC模型
参数可以自己去尝试设置调整
python
svc = SVC(C=3.0,kernel='sigmoid',gamma='auto',random_state=42)
⑤模型训练
就这么简单,一个fit函数就可以实现模型训练
python
svc.fit(X_train,y_train)
⑥模型评估
把测试集扔进去,得到预测的测试结果
python
y_pred = svc.predict(X_test)
看看预测结果和实际测试集结果是否一致,一致为1否则为0,取个平均值就是准确率
python
accuracy = np.mean(y_pred==y_test)
print(accuracy)
也可以通过score得分进行评估,计算的结果和思路都是一样的,都是看所有的数据集中模型猜对的概率,只不过这个score函数已经封装好了,当然传入的参数也不一样,需要导入accuracy_score 才行,from sklearn.metrics import accuracy_score
python
score = svc.score(X_test,y_test)#得分
print(score)
⑦模型测试
拿到一条数据,使用训练好的模型进行评估
这里是六个自变量,我这里随机整个test = np.array([[16,18312.5,6614.5,2842.31,25.23,1147430.19]])
扔到模型里面得到预测结果,prediction = svc.predict(test)
看下预测结果是多少,是否和正确结果相同,print(prediction)
python
test = np.array([[16,18312.5,6614.5,2842.31,25.23,1147430.19]])
prediction = svc.predict(test)
print(prediction) #[2]
⑧保存模型
svc是模型名称,需要对应一致
后面的参数是保存模型的路径
python
joblib.dump(svc, './svc.model')#保存模型
⑨加载和使用模型
python
svc_yy = joblib.load('./svc.model')
test = np.array([[11,99498,5369,9045.27,28.47,3827588.56]])#随便找的一条数据
prediction = svc_yy.predict(test)#带入数据,预测一下
print(prediction) #[4]
完整代码
模型训练和评估,不包含⑦⑧⑨。
python
from sklearn.svm import SVC
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
fiber = pd.read_csv("./fiber.csv")
# 划分自变量和因变量
X = fiber.drop(['Grade'], axis=1)
Y = fiber['Grade']
#划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, Y, random_state=0)
svc = SVC(C=3.0,kernel='sigmoid',gamma='auto',random_state=42)
svc.fit(X_train,y_train)#模型拟合
y_pred = svc.predict(X_test)#模型预测结果
accuracy = np.mean(y_pred==y_test)#准确度
score = svc.score(X_test,y_test)#得分
print(accuracy)
print(score)
test = np.array([[23,97215.5,22795.5,2613.09,29.72,1786141.62]])#随便找的一条数据
prediction = svc.predict(test)#带入数据,预测一下
print(prediction)