支持向量机实验报告(共20页).doc

《支持向量机实验报告(共20页).doc》由会员分享，可在线阅读，更多相关《支持向量机实验报告(共20页).doc（20页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上人工智能课程项目报告姓名： * 班级：* 专心-专注-专业目录一、实验背景本学期学习了高级人工智能课程，对人工智能的各方面知识有了新的认识和了解。为了更好的深入学习人工智能的相关知识，决定以数据挖掘与机器学习的基础算法为研究对象，进行算法的研究与实现。在数据挖掘的各种算法中，有一种分类算法的分类效果，在大多数情况下都非常的好，它就是支持向量机（SVM）算法。这种算法的理论基础强，有着严格的推导论证，是研究和学习数据挖掘算法的很好的切入点。二、实验目的对SVM算法进行研究与实现，掌握理论推导过程，培养严谨治学的科研态度。三、实验原理支持向量机基本上是最好的有监督学习算法

2、。SVM由Vapnik首先提出(Boser,Guyon and Vapnik,1992;Cortes and Vapnik,1995;Vapnik, 1995,1998)。它的主要思想是建立一个超平面作为决策曲面,使得正例和反例之间的隔离边缘被最大化。SVM的优点:1.通用性(能够在各种函数集中构造函数)2.鲁棒性(不需要微调)3.有效性(在解决实际问题中属于最好的方法之一)4.计算简单(方法的实现只需要利用简单的优化技术)5.理论上完善(基于VC推广理论的框架)3.1线性可分：首先讨论线性可分的情况，线性不可分可以通过数学的手段变成近似线性可分。基本模型：这里的裕量是几何间隔。我们的目标是最

3、大化几何间隔，但是看过一些关于SVM的论文的人一定记得什么优化的目标是要最小化|w|这样的说法，这是怎么回事呢？原因来自于对间隔和几何间隔的定义（数学基础）：间隔：=y(wx+b)=|g(x)|几何间隔：|w|叫做向量w的范数，范数是对向量长度的一种度量。我们常说的向量长度其实指的是它的2-范数，范数最一般的表示形式为p-范数，可以写成如下表达式：另外，注意我们的目标：最大化几何间隔，而不是求出这个间隔。即，在什么情况下间隔最大，我们要得到的是这个“情况”（w和b取什么值，因为所有x和y是已知的）所以，我们可以把目标转换：=在这个问题中，自变量就是w，而目标函数是w的二次函数，所有的约束条件都

4、是w的线性函数（不要把xi当成变量，它代表样本，是已知的）这种规划问题有个很有名气的称呼二次规划（Quadratic Programming，QP），而且可以更进一步的说，由于它的可行域是一个凸集，因此它是一个凸二次规划。拉格朗日乘子法可以求解这个问题。问题1：实际上就是目标函数减去，ai乘上约束条件的累加和。将问题转化为拉格朗日乘子待定问题。经过数学计算（求导），可以发现：样本确定了w，用数学的语言描述，就是w可以表示为样本的某种组合：w=1y1x1+2y2x2+nynxn式子中的i是一个一个的数，而xi是样本点，因而是向量，n就是总样本点的个数。w的表达式可以简写如下：另外可以得到约束条件

5、：把问题1写成其对偶形式，可转化成问题2：这样就可以解了，而且方法很多，如SMO。解出来得到的是a，然后可以得到w和b，进而得到分类超平面。(事实上，不需要求出w，非线性下求出w也无意义)3.2线性不可分：在线性不可分的情况下，支持向量机首先在低维空间中完成计算，然后通过核函数将输入空间映射到高维特征空间，最终在高维特征空间中构造出最优分离超平面，从而把平面上本身不好分的非线性数据分开。那是否意味着，每当我们解决一个问题，都需要找一个函数，从低维映射到高维？这个函数是什么样子的呢？首先观察一下线性下的目标函数（转化后的）。（注：之所以观察这个公式，是因为转化到高维后，就线性可分了，最后推导得到

6、的还是这个式子）我们发现它关注的不是函数本身，而是函数结果的内积。即，我不在乎你把x(二维)，转化为了x几维，也不在乎转化后的值是多少，我在乎的是转化之后，两个x再求内积（一个数）是多少。幸运的是，数学中有这样一些函数，他们叫核函数，计算效果相当于转化到高维后的内积。百度百科的解释：核函数将m维高维空间的内积运算转化为n维低维输入空间的核函数计算，从而巧妙地解决了在高维特征空间中计算的“维数灾难”等问题，从而为在高维特征空间解决复杂的分类或回归问题奠定了理论基础。几个核函数：多项式核：高斯核：它能将原始空间映射为无穷维空间。不过，如果sita选得很大的话,就相当于一个低维的子空间；反过来，如果

7、选得很小，则可以将任意的数据映射为线性可分当然，这并不一定是好事，因为随之而来的可能是非常严重的过拟合问题。不过，总的来说，通过调控参数，高斯核实际上具有相当高的灵活性，也是使用最广泛的核函数之一。同样，经过数学推导，非线性SVM的目标函数为：同样，可以用SMO求解。如上图：如果转化到高维还是不可分呢？或者转的维数不够，或者存在噪声点？这个时候怎么办？引入松弛变量：其中称为松弛变量，C是一个参数。同样，经过转化：此时，我们发现没有了参数，与之前模型唯一不同在于C的限制条件。为了不失一般性，我们使用引入松弛变量的模型。也就是需要求解的目标问题。根据KKT条件可以得出目标函数中取值的意义：这里的还

8、是拉格朗日乘子：对第1种情况，表明是正常分类，在边界内部（我们知道正确分类的点）；对第2种情况，表明了是支持向量，在边界上；对第3种情况，表明了是在两条边界之间；3.3坐标上升法：在最后讨论W()的求解之前，我们先看看坐标上升法的基本原理。假设要求解下面的优化问题：这里 W 是向量的函数（也就是前面转化后的目标函数）。求最优解的方法有多种：一种是梯度下降法，一种是牛顿法，还有一种是坐标上升法。方法过程：坐标上升法可以用一张图来表示：3.4 SMO算法：SMO 算法由 Microsoft Research 的 John C. Platt 在 1998 年提出，并成为最快的二次规划优化算法，特别针

9、对线性 SVM 和数据稀疏时性能更优。关于 SMO 最好的资料就是他本人写的论文 Sequential Minimal Optimization A Fast Algorithm for Training Support Vector Machines。算法框架：for i=1:itera. 根据预先设定的规则， 从所有样本中选出两个b. 保持其他拉格朗日乘子不变，更新所选样本对应的拉格朗日乘子end样本选取规则：第一个参数是违反kkt条件的。第二个参数：选择使得 （实际输出和期望输出的误差）最大的参数。情况比较复杂，原算法分了很多情况。当所有变量都满足kkt条件时，算法结束，求得a。选出了参

10、数就要进行计算。其中一个参数是可以求导等于0然后解出来（不失一般性，记为a2）。另一个参数随之发生变化（记为a1）。解之前要先确定取值范围：根据y1和y2异号或同号，可得出a2的上下界分别为：如果是极值点，二阶导应该大于0，关于a2的二阶导为：经过数学计算，在二阶导大于0的情况下，结合取值范围：然后得到a1:在一些情况下，二阶导不是正数，这时候需要用到目标函数在取最小值和最大值时候的值：计算出a1和a2后，相应的更新b。更新完a和b，一个周期结束，进入下一次循环。当所有的参数符合kkt条件，循环结束。四、实验内容SVM算法步骤：1，读入训练数据。2，用SMO算法求解，得到分类预测模型。3，根据

11、预测模型进行预测。我们发现SVM算法的难点和重点是SMO算法。算法流程图：SMO主循环部分：参数选择：参数更新：五、实验结果与分析5.1 实验环境与工具Windows 7 旗舰版（Service Pack 1）MyEclipse2014。5.2 实验数据集与参数设置bigdata.txt =线性可分 （y=x程序产生）cycle.txt=线性不可分 （x2+y2=1,程序生成）cycle2.txt=线性不可分 （x2+y2=02.5）heart_scale =线性不可分 实际数据testSet.txt=线性可分不规则图形.txt =线性不可分 （图像数据）人脸.txt=线性不可分 （图像数据）

12、5.3 评估标准算法经过训练集的训练之后，在测试集上的分类准确率。通过实际图像也可以看到分类效果。5.4 实验结果与分析testSet.txt实验结果：Cycle.txt：Cycle2.txt：支持向量是少数，分类超平面在中间。不规则图形.txt：分类超平面是比较优秀的，并不是在图像的点上，而是大约在中间。存在容错点：人脸.txt：同样的处理。人脸图像更复杂一些，同一类是不连在一起的。能正确分类同样存在容错点。heart_scale：核函数为线性的时候：非线性（高斯核，sita=1）：非线性（高斯核，sita=0.5）：(过小存在过度拟合的情况)Bigdata.txt：总共10000条，主要用来测试运行时间。发现数据量大就很难进行训练。训练数据运行时间500167ms1000219ms1500546ms20001297ms25001843ms30004410ms35005429ms40005815ms45007402ms500010857msSVM算法分析：不适合于大数据，因为需要进行大量的核函数等运算。如果对核函数进行缓存，则需要缓存一个N*N的矩阵（N是训练样本的个数），会占用大量的空间。相应的，linear svm可以解决这个问题。