如何用Python实现支持向量机（SVM）

SVM支持向量机是建立于统计学习理论上的一种分类算法，适合与处理具备高维特征的数据集。

SVM算法的数学原理相对比较复杂，好在由于SVM算法的研究与应用如此火爆，CSDN博客里也有大量的好文章对此进行分析，下面给出几个本人认为讲解的相当不错的：

支持向量机通俗导论（理解SVM的3层境界）：http://blog.csdn.net/v_july_v/article/details/7624837

JULY大牛讲的是如此详细，由浅入深层层推进，以至于关于SVM的原理，我一个字都不想写了。。强烈推荐。

还有一个比较通俗的简单版本的：手把手教你实现SVM算法

SVN原理比较复杂，但是思想很简单，一句话概括，就是通过某种核函数，将数据在高维空间里寻找一个最优超平面，能够将两类数据分开。

针对不同数据集，不同的核函数的分类效果可能完全不一样。可选的核函数有这么几种：

线性函数：形如K(x,y)=x*y这样的线性函数；

多项式函数：形如K(x,y)=[(x·y)+1]^d这样的多项式函数；

径向基函数：形如K(x,y)=exp(-|x-y|^2/d^2）这样的指数函数；

Sigmoid函数：就是上一篇文章中讲到的Sigmoid函数。

我们就利用之前的几个数据集，直接给出Python代码，看看运行效果：

测试1：身高体重数据

[python] view plaincopy

1. # -*- coding: utf-8 -*-
2. import numpy as np
3. import scipy as sp
4. from sklearn import svm
5. from sklearn.cross_validation import train_test_split
6. import matplotlib.pyplot as plt
8. data = []
9. labels = []
10. with open("data\\1.txt") as ifile:
11. for line in ifile:
12. tokens = line.strip().split(' ')
13. data.append([float(tk) for tk in tokens[:-1]])
14. labels.append(tokens[-1])
15. x = np.array(data)
16. labels = np.array(labels)
17. y = np.zeros(labels.shape)
18. y[labels=='fat']=1
19. x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.0)
21. h = .02
22. # create a mesh to plot in
23. x_min, x_max = x_train[:, 0].min() - 0.1, x_train[:, 0].max() + 0.1
24. y_min, y_max = x_train[:, 1].min() - 1, x_train[:, 1].max() + 1
25. xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
26. np.arange(y_min, y_max, h))
28. ''''' SVM '''
29. # title for the plots
30. titles = ['LinearSVC (linear kernel)',
31. 'SVC with polynomial (degree 3) kernel',
32. 'SVC with RBF kernel',
33. 'SVC with Sigmoid kernel']
34. clf_linear = svm.SVC(kernel='linear').fit(x, y)
35. #clf_linear = svm.LinearSVC().fit(x, y)
36. clf_poly = svm.SVC(kernel='poly', degree=3).fit(x, y)
37. clf_rbf = svm.SVC().fit(x, y)
38. clf_sigmoid = svm.SVC(kernel='sigmoid').fit(x, y)
40. for i, clf in enumerate((clf_linear, clf_poly, clf_rbf, clf_sigmoid)):
41. answer = clf.predict(np.c_[xx.ravel(), yy.ravel()])
42. print(clf)
43. print(np.mean( answer == y_train))
44. print(answer)
45. print(y_train)
47. plt.subplot(2, 2, i + 1)
48. plt.subplots_adjust(wspace=0.4, hspace=0.4)
50. # Put the result into a color plot
51. z = answer.reshape(xx.shape)
52. plt.contourf(xx, yy, z, cmap=plt.cm.Paired, alpha=0.8)
54. # Plot also the training points
55. plt.scatter(x_train[:, 0], x_train[:, 1], c=y_train, cmap=plt.cm.Paired)
56. plt.xlabel(u'身高')
57. plt.ylabel(u'体重')
58. plt.xlim(xx.min(), xx.max())
59. plt.ylim(yy.min(), yy.max())
60. plt.xticks(())
61. plt.yticks(())
62. plt.title(titles[i])
64. plt.show()

运行结果如下：

可以看到，针对这个数据集，使用3次多项式核函数的SVM，得到的效果最好。

测试2：影评态度

下面看看SVM在康奈尔影评数据集上的表现：（代码略）

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='linear', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) 0.814285714286

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='poly', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) 0.492857142857

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='rbf', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) 0.492857142857

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='sigmoid', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) 0.492857142857 可见在该数据集上，线性分类器效果最好。

测试3：圆形边界

最后我们测试一个数据分类边界为圆形的情况：圆形内为一类，原型外为一类。看这类非线性的数据SVM表现如何：

测试数据生成代码如下所示：

[python] view plaincop

1. ''''' 数据生成 '''
2. h = 0.1
3. x_min, x_max = -1, 1
4. y_min, y_max = -1, 1
5. xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
6. np.arange(y_min, y_max, h))
7. n = xx.shape[0]*xx.shape[1]
8. x = np.array([xx.T.reshape(n).T, xx.reshape(n)]).T
9. y = (x[:,0]*x[:,0] + x[:,1]*x[:,1] < 0.8)
10. y.reshape(xx.shape)
12. x_train, x_test, y_train, y_test\
13. = train_test_split(x, y, test_size = 0.2)

测试结果如下：

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='linear', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) 0.65 SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='poly', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) 0.675 SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='rbf', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) 0.9625 SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='sigmoid', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) 0.65

可以看到，对于这种边界，径向基函数的SVM得到了近似完美的分类结果。而其他的分类器显然束手无策。