支持向量机 (SVM)：初学者指南

一、说明

SVM（支持向量机）简单而优雅用于分类和回归的监督机器学习方法。该算法试图找到一个超平面，将数据分为不同的类，并具有尽可能最大的边距。本篇我们将介绍如果最大边距不存在的时候，如何创造最大边距。

二、让我们逐步了解 SVM

假设我们有一维湿度数据，红点代表不下雨的日子，蓝点代表下雨的日子。

根据我们拥有的一维观测数据，我们可以确定阈值。该阈值将充当分类器。由于我们的数据是一维的，分类器将有一个阈值。如果我们的数据是二维的，我们会使用一条线。

观察到的数据（最近的数据点）与分类器阈值之间的最短距离称为边距。能够提供最大margin的阈值称为Maximal Margin Classifier (Hyperplane)。在我们的例子中，它将位于双方最接近数据的中点。

最大保证金在实践中不太适用。因为它对异常值没有抵抗力。想象一下，我们有一个具有蓝色值的离群红点。在这种情况下，分类器将非常接近蓝点，远离红点。

为了改善这一点，我们应该允许异常值和错误分类。我们在系统中引入偏差（并减少方差）。现在，边距称为软边距。使用软间隔的分类器称为支持向量分类器或软间隔分类器。边缘上和软边缘内的数据点称为支持向量。

我们使用交叉验证来确定软边距应该在哪里。

在 2D 数据中，支持向量分类器是一条线。在 3D 中，它是一个平面。在 4 个或更多维度中，支持向量分类器是一个超平面。从技术上讲，所有 SVC 都是超平面，但在 2D 情况下更容易将它们称为平面。

//www.analyticsvidhya.com/blog/2021/05/support-vector-machines/和https://www.sciencedirect.com/topics/computer-science/support-vector-machine

正如我们在上面看到的，支持向量分类器可以处理异常值并允许错误分类。但是，我们如何处理如下所示的重叠数据呢？

这就是支持向量机发挥作用的地方。让我们为问题添加另一个维度。我们有特征 X，作为新的维度，我们取 X 的平方并将其绘制在 y 轴上。

由于现在的数据是二维的，我们可以画一条支持向量分类器线。

支持向量机获取低维数据，将其移至更高维度，并找到支持向量分类器。

与我们上面所做的类似，支持向量机使用核函数来查找更高维度的支持向量分类器。核函数是一种函数，它采用原始输入空间中的两个输入数据点，并计算变换后（高维）特征空间中它们对应的特征向量的内积。

核函数允许 SVM 在变换后的特征空间中运行，而无需显式计算变换后的特征向量，这对于大型数据集或复杂的变换来说计算成本可能很高。相反，核函数直接在原始输入空间中计算特征向量之间的内积。这称为内核技巧。

三、多项式核

多项式核用于将输入数据从低维空间变换到高维空间，在高维空间中使用线性决策边界更容易分离类。

多项式核。

a和b是两个不同的观测值，r是多项式系数，d是多项式的次数。假设d为 2，r为 1/2。

数学。

我们最终得到一个点积。第一项（a和b）是 x 轴，第二项（a²和b²）是 y 轴。因此，我们需要做的就是计算每对点之间的点积。例如更高维度中两点之间的关系；a = 9，b = 14 => (9 x 114 + 1/2)² = 16000,25。

四、径向内核 (RBF)

径向核在无限维度中查找支持向量分类器。

它为距离测试点较近的点分配较高的权重，为较远的点（如最近的邻居）分配较低的权重。较远的观察对数据点的分类影响相对较小。

内核函数。

它计算两个数据之间的平方距离。Gamma 由交叉验证确定，它会缩放平方距离，这意味着它会缩放两个点彼此之间的影响。在此公式中，随着两点之间的距离增加，该值将接近于零。

当类之间的决策边界是非线性且复杂的时，径向核特别有用，因为它可以捕获输入特征之间的复杂关系。

五、Python实现

我们可以使用支持向量机sklearn.

from sklearn.svm import SVC

具有不同内核的 SVC。来源

SVC接受一些参数：

C是正则化参数。较大的值会使模型在训练数据上犯更多错误（错误分类）。因此，它的目的是有一个更好的概括。默认值为 1。
kernel设置核函数。默认为rbf。其他选择是：Linear、poly、sigmoid和precompulated。此外，您还可以传递自己的内核函数。
degree指定多项式核的次数。仅当内核是多项式时它才可用。默认值为 3。
gamma控制核函数的形状。它可用于rbf、poly和sigmoid内核，较小的 gamma 值使决策边界更平滑，较大的值使决策边界更复杂。默认值是比例，等于 1 / (n_features x X.var())。auto是 1 / n_features。或者您可以传递一个浮点值。
coef0仅用于 poly 和 sigmoid 内核。它控制多项式核函数中高阶项的影响。默认值为 0。
shrinking控制是否使用收缩启发式。这是一个加速启发式过程。
tol是停止标准的容差。当目标函数的变化小于tol时，优化过程将停止。
class_weight平衡分类问题中类别的权重。可以将其设置为平衡，以根据课程频率自动调整权重。默认值为“无”。
max_iter是迭代极限。-1 表示无限制（默认）。
probability指定是否启用概率估计。当它设置为 True 时，估计器将估计类概率，而不仅仅是返回预测的类标签。当probability设置为 True 时，可以使用predict_proba该类的方法来获取新数据点的类标签的估计概率。SVC
cache_size用于设置SVM算法使用的内核缓存的大小。当训练样本数量非常大或者内核计算成本很高时，内核缓存会很有用。通过将核评估存储在缓存中，SVM 算法可以在计算正则化参数 C 的不同值的决策函数时重用结果。

SVC 使用具有不同参数的 RBF 内核。来源

一个简单的实现：

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC# cancer data
cancer = load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer.target, random_state=42)# parameters
params = {'C': 1.0, 'kernel': 'rbf', 'gamma': 'scale', 
'probability': False, 'cache_size': 200}# training
svc = SVC(**params)
svc.fit(X_train, y_train)# we can use svc's own score function
score = svc.score(X_test, y_test)
print("Accuracy on test set: {:.2f}".format(score))
#Accuracy on test set: 0.95

六、回归

我们也可以在回归问题中使用支持向量机。

from sklearn.svm import SVR

epsilon是指定回归线周围容差大小的参数。回归线由 SVR 算法确定，使其在一定的误差范围内拟合训练数据，该误差范围由参数定义epsilon。

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error# the California Housing dataset
california = fetch_california_housing()
X_train, X_test, y_train, y_test = train_test_split(california.data, california.target, random_state=42)# training
svr = SVR(kernel='rbf', C=1.0, epsilon=0.1)
svr.fit(X_train, y_train)# Evaluate the model on the testing data
y_pred = svr.predict(X_test)
mse = mean_squared_error(y_test, y_pred)print("MSE on test set: {:.2f}".format(mse))
#MSE on test set: 1.35

我们还可以使用来绘制边界matplotlib。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.svm import SVC# Load the Iris dataset
iris = load_iris()# Extract the first two features (sepal length and sepal width)
X = iris.data[:, :2]
y = iris.target# Create an SVM classifier
svm = SVC(kernel='linear', C=1.0)
svm.fit(X, y)# Create a mesh of points to plot in
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02),np.arange(y_min, y_max, 0.02))# Plot the decision boundary
Z = svm.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)# Plot the training points
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.title('SVM decision boundary for Iris dataset')plt.show()

边界。图片由作者提供。

SVM 是一种相对较慢的方法。

import time
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split# Load the breast cancer dataset
data = load_breast_cancer()
X, y = data.data, data.target# Split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)# Fit a logistic regression model and time it
start_time = time.time()
lr = LogisticRegression(max_iter=1000)
lr.fit(X_train, y_train)
end_time = time.time()
lr_runtime = end_time - start_time# Fit an SVM model and time it
start_time = time.time()
svm = SVC(kernel='linear', C=1.0)
svm.fit(X_train, y_train)
end_time = time.time()
svm_runtime = end_time - start_time# Print the runtimes
print("Logistic regression runtime: {:.3f} seconds".format(lr_runtime))
print("SVM runtime: {:.3f} seconds".format(svm_runtime))"""
Logistic regression runtime: 0.112 seconds
SVM runtime: 0.547 seconds
"""

支持向量机 (SVM) 可能会很慢，原因如下：

SVM 是计算密集型的：SVM 涉及解决凸优化问题，对于具有许多特征的大型数据集来说，计算成本可能很高。SVM 的时间复杂度通常至少为 O(n²)，其中 n 是数据点的数量，对于非线性内核来说，时间复杂度可能要高得多。
用于调整超参数的交叉验证：SVM需要调整超参数，例如正则化参数C和核超参数，这涉及使用交叉验证来评估不同的超参数设置。这可能非常耗时，尤其是对于大型数据集或复杂模型。
大量支持向量：对于非线性SVM，支持向量的数量会随着数据集的大小或模型的复杂性而快速增加。这可能会减慢预测时间，尤其是在模型需要频繁重新训练的情况下。

我们可以通过尝试以下一些方法来加速 SVM：

使用线性核：线性 SVM 的训练速度比非线性 SVM 更快，因为优化问题更简单。如果您的数据是线性可分的或者不需要高度复杂的模型，请考虑使用线性核。

from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC, LinearSVC
import time# Load MNIST digits dataset
mnist = fetch_openml('mnist_784', version=1)
data, target = mnist['data'], mnist['target']
X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=42)# Train linear SVM
start_time = time.time()
linear_svc = LinearSVC()
linear_svc.fit(X_train, y_train)
linear_train_time = time.time() - start_time# Train non-linear SVM with RBF kernel
start_time = time.time()
rbf_svc = SVC(kernel='rbf')
rbf_svc.fit(X_train, y_train)
rbf_train_time = time.time() - start_timeprint('Linear SVM training time:', linear_train_time)
print('Non-linear SVM training time:', rbf_train_time)"""
Linear SVM training time: 109.03955698013306
Non-linear SVM training time: 165.98812198638916
"""

使用较小的数据集：如果您的数据集非常大，请考虑使用较小的数据子集进行训练。您可以使用随机抽样或分层抽样等技术来确保子集代表完整数据集。
使用特征选择：如果您的数据集具有许多特征，请考虑使用特征选择技术来减少特征数量。这可以降低问题的维度并加快训练速度。
使用较小的值C：正则化参数C控制最大化边际和最小化分类误差之间的权衡。较小的值C可以产生具有较少支持向量的更简单的模型，这可以加速训练和预测。

import time
from sklearn.datasets import load_breast_cancer
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split# Load the breast cancer dataset
data = load_breast_cancer()
X, y = data.data, data.target# Split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)for C in [0.1, 1, 10]:start_time = time.time()svm = SVC(kernel='linear', C=C, random_state=42)svm.fit(X_train, y_train)train_time = time.time() - start_timeprint('Training time with C={}: {:.2f}s'.format(C, train_time))"""
Training time with C=0.1: 0.08s
Training time with C=1: 0.55s
Training time with C=10: 0.90s
"""

使用缓存：SVM 涉及计算数据点对之间的内积，这可能会导致计算成本高昂。Scikit-learn 的 SVM 实现包括一个缓存，用于存储常用数据点的内积值，这可以加快训练和预测速度。您可以使用参数调整缓存的大小cache_size。

from sklearn.datasets import load_breast_cancer
from sklearn.svm import SVC
import time# Load the dataset
X, y = load_breast_cancer(return_X_y=True)# Train the model without a cache
start_time = time.time()
clf = SVC(kernel='linear', cache_size=1).fit(X, y)
end_time = time.time()
print(f"Training time without cache: {end_time - start_time:.3f} seconds")# Train the model with a cache of 200 MB
start_time = time.time()
clf_cache = SVC(kernel='linear', cache_size=200, max_iter=10000).fit(X, y)
end_time = time.time()
print(f"Training time with cache: {end_time - start_time:.3f} seconds")"""
Training time without cache: 0.535 seconds
Training time with cache: 0.014 seconds
"""