【机器学习】Weighted LSSVM原理与Python实现:LSSVM的稀疏化改进
一、LSSVM
1、LSSVM用于回归
本人在之前的博客(参考资料【1】)介绍了LSSVM的分类模型,本节将介绍LSSVM的回归模型。
对于回归算法,我们希望通过训练数据中学习到回归方程:
其中
用于将
映射到更高维的特征空间内。
LSSVR回归模型的优化思想是使离回归平面距离最大的样本与回归平面之间的距离最小。优化问题为:
为了解决存在部分特异点的情况,给每一个样本引入误差变量 ,,并在原始函数中加入误差变量的L2正则项。这样LSSVM的优化问题就转化为:
由此可见,LSSVM分类模型和LSSVM回归模型的求解方法是相同的。
LSSVM回归模型的输出为:
2、LSSVM模型的缺点
缺少稀疏性:对于每一次预测都需要所有的训练数据参与。因为LSSVM模型求解中的Lagrange乘子都是非零数值(不同于SVM模型,只有支持向量对应的Lagrange乘子才是非零数值)。只有当误差变量 的分布符合高斯分布的时候,支持向量数值的估计才是最优的【参考资料2】(个人理解:当误差变量 的分布符合高斯分布的时候,有助于将异常的样本点排除)。
二、WLSSVM的数学原理
WLSSVM的执行步骤(参考资料【2】):
步骤一 :求解LSSVM模型的优化问题,求解出Lagrange乘子序列和误差 序列。
步骤二:求出将误差 序列变为高斯分布的每一个误差 的权重 。具体如下(参考资料【3】):
其中 ,IQR是将误差 序列从小到大排列,第三四分位与第一四分位数值的差。并且 和 的取值分别为2.5和3。
步骤三:将 序列带入,并求解WLSSVM的优化模型。
Lagrange函数为:
求解新的Lagrange乘子序列可以通过如下的等式:
其中
。
步骤四:模型的稀疏化。
Lagrange乘子序列表征训练数据对模型的贡献,可以通过删除Lagrange乘子较小的样本点实现模型的稀疏化。
三、WLSSVM的python实现
本博文提供的WLSSVM的python代码只包括WLSSVM的前三个步骤,步骤四可以根据不同的方法来实现。代码及样本地址 https://github.com/shiluqiang/WLSSVM_python
from numpy import *
def loadDataSet(filename):
'''导入数据
input: filename:文件名
'''
dataMat = []
labelMat = []
fr = open(filename)
for line in fr.readlines():
lineArr = line.strip().split('\t')
dataMat.append(float(lineArr[0]))
labelMat.append(float(lineArr[1]))
return mat(dataMat).T,mat(labelMat).T
def kernelTrans(X,A,kTup):
'''数据集中每一个数据向量与A的核函数值
input: X--特征数据集
A--输入向量
kTup--核函数参量定义
output: K--数据集中每一个数据向量与A的核函数值组成的矩阵
'''
X = mat(X)
m,n = shape(X)
K = mat(zeros((m,1)))
if kTup[0] == 'lin':
K = X * A.T
elif kTup[0] == 'rbf':
for j in range(m):
deltaRow = X[j] - A
K[j] = deltaRow * deltaRow.T
K = exp(K/(-1 * kTup[1] ** 2))
else: raise NameError('Houston We Have a Problem ,That Kernel is not recognized')
return K
class optStruct:
def __init__(self,dataMatIn,classLabels,C,kTup):
self.X = dataMatIn
self.labelMat = classLabels
self.C = C
self.m = shape(dataMatIn)[0]
self.alphas = mat(zeros((self.m,1)))
self.b = 0
self.K = mat(zeros((self.m,self.m))) #特征数据集合中向量两两核函数值组成的矩阵,[i,j]表示第i个向量与第j个向量的核函数值
for i in range(self.m):
self.K[:,i] = kernelTrans(self.X, self.X[i,:], kTup)
def leastSquares(dataMatIn,classLabels,C,kTup):
'''最小二乘法求解alpha序列
input:dataMatIn:特征数据集
classLabels:分类标签集
C:参数,(松弛变量,允许有些数据点可以处于分隔面的错误一侧)
kTup: 核函数类型和参数选择
output:b--w.T*x+b=y中的b
alphas:alphas序列
'''
##1.参数设置
oS = optStruct(dataMatIn,classLabels,C,kTup)
unit = mat(ones((oS.m,1))) #[1,1,...,1].T
I = eye(oS.m)
zero = mat(zeros((1,1)))
upmat = hstack((zero,unit.T))
downmat = hstack((unit,oS.K + I/float(C)))
##2.方程求解
completemat = vstack((upmat,downmat)) #lssvm中求解方程的左边矩阵
rightmat = vstack((zero,oS.labelMat)) # lssvm中求解方程的右边矩阵
b_alpha = completemat.I * rightmat
##3.导出偏置b和Lagrange乘子序列
oS.b = b_alpha[0,0]
for i in range(oS.m):
oS.alphas[i,0] = b_alpha[i+1,0]
e = oS.alphas/C
return oS.alphas,oS.b,e
def weights(e):
'''计算权重序列
input:e(mat):LSSVM误差矩阵
output:v(mat):权重矩阵
'''
##1.参数设置
c1 = 2.5
c2 = 3
m = shape(e)[0]
v = mat(zeros((m,1)))
v1 = eye(m)
q1 = int(m/4.0)
q3 = int((m*3.0)/4.0)
e1 = []
shang = mat(zeros((m,1)))
##2.误差序列从小到大排列
for i in range(m):
e1.append(e[i,0])
e1.sort()
##3.计算误差序列第三四分位与第一四分位的差
IQR = e1[q3] - e1[q1]
##4.计算s的值
s = IQR/(2 * 0.6745)
##5.计算每一个误差对应的权重
for j in range(m):
shang[j,0] = abs(e[j,0]/s)
for x in range(m):
if shang[x,0] <= c1:
v[x,0] = 1.0
if shang[x,0] > c1 and shang[x,0] <= c2:
v[x,0] = (c2 - shang[x,0])/(c2 - c1)
if shang[x,0] > c2:
v[x,0] = 0.0001
v1[x,x] = 1/float(v[x,0])
return v1
def weightsleastSquares(dataMatIn,classLabels,C,kTup,v1):
'''最小二乘法求解alpha序列
input:dataMatIn:特征数据集
classLabels:分类标签集
C:参数,(松弛变量,允许有些数据点可以处于分隔面的错误一侧)
kTup: 核函数类型和参数选择
output:b--w.T*x+b=y中的b
alphas:alphas序列
'''
##1.参数设置
oS = optStruct(dataMatIn,classLabels,C,kTup)
unit = mat(ones((oS.m,1))) #[1,1,...,1].T
#I = eye(oS.m)
gamma = kTup[1]
zero = mat(zeros((1,1)))
upmat = hstack((zero,unit.T))
downmat = hstack((unit,oS.K + v1/float(C)))
##2.方程求解
completemat = vstack((upmat,downmat)) #lssvm中求解方程的左边矩阵
rightmat = vstack((zero,oS.labelMat)) # lssvm中求解方程的右边矩阵
b_alpha = completemat.I * rightmat
##3.导出偏置b和Lagrange乘子序列
oS.b = b_alpha[0,0]
for i in range(oS.m):
oS.alphas[i,0] = b_alpha[i+1,0]
e = oS.alphas/C
return oS.alphas,oS.b
def predict(alphas,b,dataMat):
'''预测结果
input:alphas(mat):WLSSVM模型的Lagrange乘子序列
b(float):WLSSVM模型回归方程的偏置
dataMat(mat):测试样本集
output:predict_result(mat):测试结果
'''
m,n = shape(dataMat)
predict_result = mat(zeros((m,1)))
for i in range(m):
Kx = kernelTrans(dataMat,dataMat[i,:],kTup) #可以对alphas进行稀疏处理找到更准确的值
predict_result[i,0] = Kx.T * alphas + b
return predict_result
def predict_average_error(predict_result,label):
'''计算平均预测误差
input:predict_result(mat):预测结果
label(mat):实际结果
output:average_error(float):平均误差
'''
m,n = shape(predict_result)
error = 0.0
for i in range(m):
error += abs(predict_result[i,0] - label[i,0])
average_error = error / m
return average_error
if __name__ == '__main__':
##1.数据导入
print('--------------------Load Data------------------------')
dataMat,labelMat = loadDataSet('sine.txt')
##2.参数设置
print('--------------------Parameter Setup------------------')
C = 0.6
k1 = 0.3
kernel = 'rbf'
kTup = (kernel,k1)
##3.求解LSSVM模型
print('-------------------Save LSSVM Model-----------------')
alphas,b,e = leastSquares(dataMat,labelMat,C,kTup)
##4.计算误差权重
print('----------------Calculate Error Weights-------------')
v1 = weights(e)
##5.求解WLSSVM模型
print('------------------Save WLSSVM Model--------------- -')
alphas1,b1 = weightsleastSquares(dataMat,labelMat,C,kTup,v1)
##6.预测结果
print('------------------Predict Result------------------ -')
predict_result = predict(alphas1,b1,dataMat)
##7.平均误差
print('-------------------Average Error------------------ -')
average_error = predict_average_error(predict_result,labelMat)
参考资料
1.https://blog.csdn.net/Luqiang_Shi/article/details/84204636
2.Suykens J A K , Brabanter J D , Lukas L , et al. Weighted least squares support vector machines: robustness and sparse approximation[J]. Neurocomputing, 2002, 48(1-4):85-105.
3.Deng W , Zheng Q , Chen L . Regularized Extreme Learning Machine[J]. IEEE Symposium on Computational Intelligence & Data Mining, 2009:389-395.