sklearn svm基本使用

SVM基本使用

SVM在解决分类问题具有良好的效果，出名的软件包有 libsvm (支持多种核函数), liblinear (线性核)。此外 python 机器学习库scikit-learn也有svm相关算法， sklearn.svm. SVC 和

sklearn.svm.LinearSVR 分别由libsvm和liblinear发展而来。

推荐使用SVM的步骤为：

1. 将原始数据转化为SVM算法软件或包所能识别的数据格式；
2. 将数据标准化；(防止样本中不同特征数值大小相差较大影响分类器性能)
3. 不知使用什么核函数，考虑使用RBF；
4. 利用交叉验证网格搜索寻找最优参数(C, γ)；（交叉验证防止过拟合，网格搜索在指定范围内寻找最优参数）
5. 使用最优参数来训练模型；
6. 测试。

下面利用scikit-learn说明上述步骤：

 1 import numpy as np
 2 from sklearn.svm import SVC
 3 from sklearn.preprocessing import StandardScaler
 4 from sklearn.model_selection import GridSearchCV, train_test_split
 5 
 6 def load_data(filename)
 7     '''
 8     假设这是鸢尾花数据,csv数据格式为：
 9     0,5.1,3.5,1.4,0.2
10     0,5.5,3.6,1.3,0.5
11     1,2.5,3.4,1.0,0.5
12     1,2.8,3.2,1.1,0.2
13     每一行数据第一个数字(0,1...)是标签,也即数据的类别。
14     '''
15     data = np.genfromtxt(filename, delimiter=',')
16     x = data[:, 1:]  # 数据特征
17     y = data[:, 0].astype(int)  # 标签
18     scaler = StandardScaler()
19     x_std = scaler.fit_transform(x)  # 标准化
20     # 将数据划分为训练集和测试集，test_size=.3表示30%的测试集
21     x_train, x_test, y_train, y_test = train_test_split(x_std, y, test_size=.3)
22     return x_train, x_test, y_train, y_test
23 
24 
25 def svm_c(x_train, x_test, y_train, y_test):
26     # rbf核函数，设置数据权重
27     svc = SVC(kernel='rbf', class_weight='balanced',)
28     c_range = np.logspace(-5, 15, 11, base=2)
29     gamma_range = np.logspace(-9, 3, 13, base=2)
30     # 网格搜索交叉验证的参数范围，cv=3,3折交叉
31     param_grid = [{'kernel': ['rbf'], 'C': c_range, 'gamma': gamma_range}]
32     grid = GridSearchCV(svc, param_grid, cv=3, n_jobs=-1)
33     # 训练模型
34     clf = grid.fit(x_train, y_train)
35     # 计算测试集精度
36     score = grid.score(x_test, y_test)
37     print('精度为%s' % score)
38 
39 if __name__ == '__main__':
40     svm_c(load_data('example.csv'))

其它内容

网格搜索小技巧

网格搜索法中寻找最优参数中为寻找最优参数，网格大小如果设置范围大且步长密集的话难免耗时，但是不这样的话又可能找到的参数不是很好，针对这解决方法是，先在大范围，大步长的粗糙网格内寻找参数。在找到的参数左右在设置精细步长找寻最优参数比如：

1. 一开始寻找范围是 C = 2 ⁻⁵ , 2 ⁻³ , . . . , 2 ¹⁵ and γ = 2 ⁻¹⁵ , 2 ⁻¹³ , . . . , 2 ³ .由此找到的最优参数是(2 ³ , 2 ⁻⁵ )；
2. 然后设置更小一点的步长，参数范围变为2 ¹ , 2 ^1.25 , . . . , 2 ⁵ and γ = 2 ⁻⁷ , 2 ^−6.75 , . . . , 2 ⁻³   在这个参数范围再寻找最优参数。

这样既可以避免一开始就使用大范围，小步长而导致分类器进行过于多的计算而导致计算时间的增加。

线性核和RBF的选择

如果训练样本的特征数量过于巨大，也许就不需要通过RBF等非线性核函数将其映射到更高的维度空间上，利用非线性核函数也并不能提高分类器的性能。利用linear核函数也可以获得足够好的结果，此外，也只需寻找一个合适参数C，但是利用RBF核函数取得与线性核函数一样的效果的话需要寻找两个合适参数(C, γ)。

分三种情况讨论：

1. 样本数量远小于特征数量：这种情况，利用情况利用linear核效果会高于RBF核。
2. 样本数量和特征数量一样大：线性核合适，且速度也更快。liblinear更适合
3. 样本数量远大于特征数量： 非线性核RBF等合适。

本文主要参考这篇 A Practical Guide to Support Vector Classification

libsvm： A Library for Support Vector Machines

liblinear : A Library for Large Linear Classification

sklearn : scikit-learn Machine Learning in Python