用python实现支持向量机对婚介数据的用户配对预测

from svm import *
prob  = svm_problem([1,-1] ,[[1,0,1] , [-1,0,-1]] ) 
param = svm_parameter(kernel_type = LINEAR , C = 10)

## training the model

m = svm_model(prob ,param)
 
#testing the model

m.predict( [1, 1 , 1] )

将第一步从excel转换而来的行数据，进行可视化 ，以图显示出数据。显示出男女媒介匹配情况。

用到matplotlib第三方库，可对某些变量可视化。
最后返回一张图。

matplotlib（是取代matlab的工具）安装步骤如下：
先装numpy,再装matplotlab.
去官方网站下载matplotlab与python相对的exe，点击运行即可。一步搞掂 

完成一个线性分类器：
工作原理：  （关键词： 每个类的均值点 ）
寻找每个分类中所有数据的平均值，并构造一个代表该分类中心位置的点。（凡是有涉及到代表点的，一定是要用字典，字典的key表示类别，value表示均值点。 分类一定要经常用字典），然后判断距离哪个中心点位置最近 来对新的坐标点进行分类.（用点积距离作比较距离）

问题：
1.这个线性分类器用哪个数据集呢？ 
     答：用agesonly. 因为matchmaker.csv 很多属性还没量化。agesonly是纯数值数据，所以先用它作试验
2.怎样构造每个类的代表点呢？
  答：代表点即是均值点。凡是有涉及到代表点的，一定是要用字典，字典的key表示类别，value表示均值点。 分类一定要经常用字典
步骤（1）：得到agesonly数据集所有坐标的分类（一个坐标就是数据集一行） 
    （2）：计算每个分类包含的坐标总个数
　　（3）：计算坐标总和除以坐标个数 即等于 均值点
3.如何判断新的坐标 与均值点的距离（见dpclassify函数）
  用向量点积作为距离衡量。而不用欧式距离或pearson距离。  
4.  向量点积怎么做衡量的？？ 

实现代码时，注意“=”赋值符号是否要用切片[:]!!!

  线性分类训练,得到各分类对应的均值点是：（字典key表示是否匹配分类，value表示各类对应的均值）：
  
{0: [26.914529914529915, 35.888888888888886], 1: [35.480417754569189, 33.015665796344649]}

输入如下新的预测点，根据点积结果，来预测分类结果：

1
0
1

  分类数据举例：
　1.如”是否“问题这类数据，转换成数值类型 见yesnodata函数
  2.将兴趣字符数据转换成数值类型interestmatchcount 函数：传入参数是两个人的兴趣列表，返回的是相同兴趣个数。

    在数据集里记录人们的兴趣爱好，最简单方法是将每一种可能的兴趣爱好都视单独的数值变量，如果人们具备某一项兴趣，则设为1，否则为0.
    假设对一个人一个人单独处理，这样做最合理。
    但在媒介数据集中，要处理的是一对一对的人，
    所以更直观方法是将具备共同兴趣爱好的数据视为变量 

 3. 计算两个人的地址距离，用yahoo map的API来计算 两个人居住地址距离（计算居住地址的经度和纬度）

把所有数据缩放到一个尺度，从而使每个变量上的差值具有可比性。
通过确定每个变量的最大最小值，对数据进行缩放，使最小值为0，最大值为1。缩放具体方法: 

先找出所有变量各自对应的最小值，并从该变量所有数值中减去这个最小值，从而将值域范围
调到0起点，函数随后将调整后的结果除以最大最小值之差，从而将所有数据转换成0到1之间的值。

 对对matchmaker.cscv文件数值数据集缩放处理之后的均值点是：
{0: [0.44512959866220736, 0.1705685618729097, 0.0, 0.0, 0.0, 0.0, 0.0], 1: [0.5475746268656716, 0.17910447761194029, 0.0, 0.0, 0.0, 0.0, 0.0]}
 
没缩放之前的数值数据第一行数据是：
[39.0, 1, -1, 43.0, -1, 1, 0]
 
缩放之后的数值数据第一行数据:
[0.65625, 1.0, 0.0, 0.78125, 0.0, 1.0, 0.0]

 dpclassify点积函数传入参数：newpoint表示将要分类的点的坐标（x,y），avgs表示当前所有分类的均值点1

  从此步开始 ，才开始处理matchmaker.csv转换后的数值数据集，将个人profiledata信息进行预测了

　核函数的思想同样也是利用点积运算，它用一个新的函数来取代原来的点积函数，当借助某个映射函数，将数据 第一次 变换到更高纬度的坐标空间时，新函数将返回高纬度坐标内的点积结果。

  这里写径向基函数Radial-basis function:   rbf函数与点积类似，它接受两个向量作为输入参数和一个gamma参数，返回一个标量值。　　(调整gamma参数可得到一个针对给定数据集的最佳线性分离)
　
 　　与点积不同的是，rbf函数式非线性的，所以它能将数据映射到更复杂的空间。
  因为线性分类器要求我们需要一个新的函数求坐标变换后的空间与均值点的距离
  但无法直接这样计算，前人发现规律： 先对一组向量 求均值，再计算 均值与向量A 的点积结果 ，与先对向量A  与 该组向量中的每个向量 求点积　，再计算均值，效果是等效的。
 
  所以不需对尝试分类的两个坐标点求点积来计算某个分类的均值点，而是计算某个坐标点与分类中其他每个坐标点之间的点积或径向基函数的结果，再对他们求均值。见nonlinearclassify函数。

调用matchmaker.csv训练数据集，使用其缩放处理过后的数值数据集scaledset:

建立新预测数据：男士不想要小孩，女士想要:预测分类是：
0
建立新预测数据：男士想要小孩，女士想要:预测分类是：1

　　步骤：
　　1. 先将数据集scaledset转换成svm_model所要求的列表元组:格式是：前面是分类，后面是数据
　　2.  选用RBF核函数,模型训练，预测。 
　　3. 预测可以自动写预测数据，也可以用libsvm自带的cros_validation功能自动计算训练集的准确率

　 用svm自带的交叉验证会将 据集自动划分成训练集和测试集，训练集自动构造出训练模型，测试集对模型进行测试。 

　 该函数接受一个参数n，将数据集拆分成n个子集，函数每次将一个子集作为测试集，并利用所有其他子集对模型进行训练，最后返回一个分类结果列表，我们可以将该分类结果列表和最初的列表对比。

 建立新预测数据：男士不想要小孩，女士想要:预测分类是：0.0
 建立新预测数据：男士想要小孩，女士想要:预测分类是：1.0 
 
 交叉验证自动生成的数据预测结果是：
[0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0,  ........ ]
数据的行数一共是有：500

预测正确的个数有：417

预测错误的个数有：83.0

所以svm准确率是：   83.4 %

不同核函数对比结果：最终用RBF核函数 svm结果只有83.4%准确率
最终用POLY多项式核函数 svm结果只有73.6%准确率
最终用PRECOMPUTED核函数或SIGMOID核函数， svm结果都是只有59.8%准确率

综上，核函数最好效果的还是RBF，准确率为83.5%