简单易学的机器学习算法—非线性支持向量机

一、回顾
介绍了支持向量机的基本概念，线性可分支持向量机的原理以及线性支持向量机的原理，线性可分支持向量机是线性支持向量机的基础。对于线性支持向量机，选择一个合适的惩罚参数，并构造凸二次规划问题：

求得原始问题的对偶问题的最优解，由此可求出原始问题的最优解：

其中中满足的分量。这样便可以求得分离超平面
以及分类决策函数：
    线性可分支持向量机算法是线性支持向量机算法的特殊情况。
二、非线性问题的处理方法
    在处理非线性问题时，可以通过将分线性问题转化成线性问题，并通过已经构建的线性支持向量机来处理。如下图所示：

(非线性转成线性问题)
通过一种映射可以将输入空间转换到对应的特征空间，体现在特征空间中的是对应的线性问题。核技巧就可以完成这样的映射工作。
1、核函数的定义(摘自《统计机器学习》)
   设是输入空间(欧式空间的子集或离散集合)，又设为特征空间(希尔伯特空间)，如果存在一个从到的映射

使得对所有，函数满足条件

则称为核函数，为映射函数。
   在实际的问题中，通常使用已有的核函数。
2、常用核函数
多项式核函数(Polynomial Kernel Function)
高斯核函数(Gaussian Kernel Function)
 
三、非线性支持向量机
    1、选取适当的核函数和适当的参数，构造原始问题的对偶问题：

求得对应的最优解。
    2、选择的一个满足的分量，求:

    3、构造决策函数
四、实验仿真
    对于非线性可分问题，其图像为：

(原始空间中的图像)

MATLAB代码
主程序
[plain] view plain copy 在CODE上查看代码片派生到我的代码片
%% 非线性支持向量机  
 
% 清空内存  
clear all;  
clc;  
 
% 导入测试数据  
A = load('testSetRBF.txt');  
 
%% 区分开训练数据与测试数据  
m = size(A);%得到整个数据集的大小  
trainA = A(11:m(1,1),:);  
testA = A(1:10,:);  
 
% 训练和测试数据集的大小  
mTrain = size(trainA);  
mTest = size(testA);  
 
% 区分开特征与标签  
Xtrain = trainA(:,1:2);  
Ytrain = trainA(:,mTrain(1,2))';  
Xtest = testA(:,1:2);  
Ytest = testA(:,mTest(1,2))';  
 
%% 对偶问题，用二次规划来求解，以求得训练模型  
sigma = 0.5;%高斯核中的参数  
H = zeros(mTrain(1,1),mTrain(1,1));  
for i = 1:mTrain(1,1)  
    for j = 1:mTrain(1,1)  
        H(i,j) = GaussianKernalFunction(Xtrain(i,:),Xtrain(j,:),sigma);  
        H(i,j) = H(i,j)*Ytrain(i)*Ytrain(j);  
    end  
end  
 
f = ones(mTrain(1,1),1)*(-1);  
B = Ytrain;  
b = 0;  
lb = zeros(mTrain(1,1),1);  
% 调用二次规划的函数  
[x,fval,exitflag,output,lambda] = quadprog(H,f,[],[],B,b,lb);  
 
% 定义C  
C = max(x);  
 
% 求解原问题  
n = size(x);  
k = 1;  
for i = 1:n(1,1)  
    Kernel = zeros(n(1,1),1);  
    if x(i,1) > 0 && x(i,1)<C  
        for j = 1:n(1,1)  
            Kernel(j,:) = GaussianKernalFunction(Xtrain(j,:),Xtrain(i,:),sigma);  
            Kernel(j,:) = Kernel(j,:)*Ytrain(j);  
        end  
        b(k,1) = Ytrain(1,i)-x'*Kernel;  
        k = k +1;  
    end  
end  
b = mean(b);  
 
 
%% 决策函数来验证训练准确性  
trainOutput = zeros(mTrain(1,1),1);  
for i = 1:mTrain(1,1)  
    Kernel_train = zeros(mTrain(1,1),1);  
      
    for j = 1:mTrain(1,1)  
        Kernel_train(j,:) = GaussianKernalFunction(Xtrain(j,:),Xtrain(i,:),sigma);  
        Kernel_train(j,:) = Kernel_train(j,:)*Ytrain(j);  
    end  
    trainOutput(i,1) = x'*Kernel_train+b;  
end  
 
for i = 1:mTrain(1,1)  
    if trainOutput(i,1)>0  
        trainOutput(i,1)=1;  
    elseif trainOutput(i,1)<0  
        trainOutput(i,1)=-1;  
    end  
end  
 
% 统计正确个数  
countTrain = 0;  
for i = 1:mTrain(1,1)  
    if trainOutput(i,1) == Ytrain(i)  
        countTrain = countTrain+1;  
    end  
end  
trainCorrect = countTrain./mTrain(1,1);  
 
%% 决策函数来验证测试准确性  
testOutput = zeros(mTest(1,1),1);  
for i = 1:mTest(1,1)  
    Kernel_test = zeros(mTrain(1,1),1);  
      
    for j = 1:mTrain(1,1)  
        Kernel_test(j,:) = GaussianKernalFunction(Xtrain(j,:),Xtest(i,:),sigma);  
        Kernel_test(j,:) = Kernel_test(j,:)*Ytrain(j);  
    end  
    testOutput(i,1) = x'*Kernel_train+b;  
end  
 
for i = 1:mTest(1,1)  
    if testOutput(i,1)>0  
        testOutput(i,1)=1;  
    elseif testOutput(i,1)<0  
        testOutput(i,1)=-1;  
    end  
end  
 
% 统计正确个数  
countTest = 0;  
for i = 1:mTest(1,1)  
    if testOutput(i,1) == Ytest(i)  
        countTest = countTest+1;  
    end  
end  
testCorrect = countTest./mTest(1,1);  
 
disp(['训练的准确性：',num2str(trainCorrect)]);  
disp(['测试的准确性：',num2str(testCorrect)]);  

核函数
[plain] view plain copy 在CODE上查看代码片派生到我的代码片
%% 高斯核函数，其中输入x和y都是行向量  
function [ output ] = GaussianKernalFunction( x,y,sigma )  
    output = exp(-(x-y)*(x-y)'./(2*sigma^2));  
end  

最终的结果为：
注：在这个问题中，有两个参数需要调整，即核参数和惩罚参数，选取合适的参数对模型的训练起着很重要的作用。在程序中，我是指定的参数。这里的程序只是为帮助理解算法的过程。数据分析师培训