标签：init 一个 strong class inline 优化 ack dmi kernel
标准二次规划形式:
\(\begin{equation}\begin{split}\min\quad&\frac{1}{2}\mathtt{x^TPx+q^Tx}\\s.t\quad&\mathtt{Gx\le h}\\&\mathtt{Ax}=0\end{split}\end{equation}\\\)
解决步骤
from cvxopt import matrix,solvers
#组装出标准二次规划的各个矩阵参数(P,q,G,h,A,b)
sol=solvers.qp(P,q,G,h,A,b)
#sol['x']即为二次规划的x最优值优化问题
\(\begin{equation}\begin{split}\min\quad&\frac{1}{2}\sum_{n=1}^N\sum_{m=1}^Ny_ny_m\alpha_n\alpha_m\mathtt{x_n^Tx_m}-\sum_{n=1}^N\alpha_n\\s.t\quad&\sum_{n=1}^N\alpha_ny_n=0\\&\alpha_n\ge0\end{split}\end{equation}\\\)
计算\(\alpha\)
优化问题转化为二次规划的标准形式带入即可得到\(\alpha\)
计算\(\mathtt{w}\)
由对偶问题中的\(\nabla_\mathtt{w}\mathcal{L}=\mathtt{w}-\sum_{n=1}^N\alpha_ny_n\mathtt{x_n}=0\)可以得出
\(\mathtt{w}=\sum_{n=1}^N\alpha_ny_n\mathtt{x_n}\)
计算\(b\)
从\(\alpha\)中选一个非零的\(\alpha_n\),其对应的\(\mathtt{x'}\)即为支持向量,即满足
\(y_n\mathtt{(w^Tx'+b)}=1\)
\(b=\frac{1}{y_n}-\mathtt{w^Tx'}\)
计算目标函数
\(g(\mathtt{x})=sign(\mathtt{w^Tx+b})\)
代码实现
import numpy as np
import matplotlib.pyplot as plt
from cvxopt import matrix,solvers
class Svm_h:
def __init__(self,x,y):
self.x=x
self.y=y
m=len(y)
#下面的1.0,0.0都是为了转类型为浮点型
P=matrix((x@x.T)*(y@y.T)*1.0)
q=matrix(np.ones((m,1))*(-1))
G=matrix(np.identity(m)*-1)
h=matrix(np.zeros((m,1)))
A=matrix(y.T*1.0)
b=matrix(0.0)
sol=solvers.qp(P,q,G,h,A,b)
self.alpha=np.array(sol['x'],ndmin=2)
w=self.alpha*y
w=np.hstack((w,w))
self.w=(w*x).sum(axis=0).T
index=0
while(self.alpha[index]<0.00001):
#浮点数表示数字有损失,本文假设精度为0.00001,不太严谨请不必纠结
#大于0的α对应的点为支持向量
index+=1
self.b=y[index]-self.w@x[index,:]
def signal(self,x):
#返回未通过符号函数的结果
return self.w.T@x+self.b
def g(self,x):
#返回+1或-1
return np.sign(self.signal(x))优化问题
\(\begin{equation}\begin{split}\min\quad&\frac{1}{2}\sum_{n=1}^N\sum_{m=1}^Ny_ny_m\alpha_n\alpha_m\mathtt{x_n^Tx_m}-\sum_{n=1}^N\alpha_n\\s.t\quad&\sum_{n=1}^N\alpha_ny_n=0\\&\ C\ge \alpha_n\ge0\end{split}\end{equation}\\\)
计算\(\alpha\)
优化问题转化为二次规划的标准形式带入即可得到\(\alpha\)
计算\(\mathtt{w}\)
由对偶问题中的\(\nabla_\mathtt{w}\mathcal{L}=\mathtt{w}-\sum_{n=1}^N\alpha_ny_n\mathtt{x_n}=0\)可以得出
\(\mathtt{w}=\sum_{n=1}^N\alpha_ny_n\mathtt{x_n}\)
计算\(b\)
从\(\alpha\)中选一个大于0且小于\(C\)的\(\alpha_n\),其对应的\(\mathtt{x'}\)即为支持向量,即满足
\(y_n\mathtt{(w^Tx'+b)}=1\)
\(b=\frac{1}{y_n}-\mathtt{w^Tx'}\)
计算目标函数
\(g(\mathtt{x})=sign(\mathtt{w^Tx+b})\)
import numpy as np
import matplotlib.pyplot as plt
from cvxopt import matrix,solvers
class Svm_s:
def __init__(self,x,y,c):
self.x=x
self.y=y
m=len(y)
#下面的1.0,0.0都是为了转类型为浮点型
P=matrix((x@x.T)*(y@y.T)*1.0)
q=matrix(np.ones((m,1))*(-1))
G=matrix(np.vstack((np.identity(m)*(-1.0),np.identity(m)*(1.0))))
h=matrix(np.vstack((np.zeros((m,1))*1.0,np.ones((m,1))*c*1.0)))
A=matrix(y.T*1.0)
b=matrix(0.0)
sol=solvers.qp(P,q,G,h,A,b)
self.alpha=np.array(sol['x'],ndmin=2)
w=self.alpha*y
w=np.hstack((w,w))
self.w=(w*x).sum(axis=0).T
index=0
while(0.00001>self.alpha[index] or self.alpha[index]>c-0.00001):
#浮点数表示数字有损失,本文假设精度为0.00001,不太严谨请不必纠结
#大于0且小于α的α对应的点为支持向量
index+=1
self.b=y[index]-self.w@x[index,:]
def signal(self,x):
#返回未通过符号函数的结果
return self.w.T@x+self.b
def g(self,x):
#返回+1或-1
return np.sign(self.signal(x))本质上和软间隔支持向量机相同,只是将x映射到高维上,\(\mathtt{w}\)很难计算出
计算\(b\)
从\(\alpha\)中选一个大于0且小于\(C\)的\(\alpha_n\),其对应的\(\mathtt{x_m}\)即为支持向量,即满足
\(b=y_m-\sum\limits_{\alpha>0}\alpha_ny_nK(\mathtt{x_n,x_m})\)
计算目标函数
\(g(\mathtt{x})=sign(\sum\limits_{\alpha_n>0}\alpha_ny_nK(\mathtt{x_n,x})+b)\)
import numpy as np
import matplotlib.pyplot as plt
from cvxopt import matrix,solvers
class Svm_s:
def __init__(self,x,y,c,r):
self.x=x
self.y=y
self.r=r
self.c=c
m=len(y)
#下面的1.0,0.0都是为了转类型为浮点型
p=y@y.T*1.0
for i in range(m):
for j in range(m):
p[i][j]*=self.rbf_kernel(x[i,:],x[j,:])
P=matrix(p)
q=matrix(np.ones((m,1))*(-1))
G=matrix(np.vstack((np.identity(m)*(-1.0),np.identity(m)*(1.0))))
h=matrix(np.vstack((np.zeros((m,1))*1.0,np.ones((m,1))*c*1.0)))
A=matrix(y.T*1.0)
b=matrix(0.0)
sol=solvers.qp(P,q,G,h,A,b)
self.alpha=np.array(sol['x'],ndmin=2)
self.index=0
while(0.00001>self.alpha[self.index] or self.alpha[self.index]>c-0.00001):
#浮点数表示数字有损失,本文假设精度为0.00001,不太严谨请不必纠结
#大于0且小于α的α对应的点为支持向量
self.index+=1
self.b=y[self.index]-sum([y[i]*self.alpha[self.index]*self.rbf_kernel(self.x[i,:,None],self.x[self.index,:,None]) for i in range(m)])
def rbf_kernel(self,x1,x2):
return np.exp(-1*self.r*(x1-x2).T@(x1-x2))
def signal(self,x):
#返回未通过符号函数的结果
sum=0
for n in range(len(self.y)):
sum+=self.y[n]*self.alpha[self.index]*self.rbf_kernel(self.x[n,:,None],x)+self.b
return sum
def g(self,x):
#返回+1或-1
return np.sign(self.signal(x))标签：init 一个 strong class inline 优化 ack dmi kernel
原文地址：https://www.cnblogs.com/redo19990701/p/11565361.html
