篇首语：本文由编程笔记#小编为大家整理，主要介绍了小白python机器学习之路——支持向量机相关的知识，希望对你有一定的参考价值。

支持向量机（support vector machines, SVM）

一、类型：监督学习，分类

支持向量机可以理解为感知器的一种扩展，相比起逻辑回归，支持向量机的概念更为形象，更好理解。

如图所示，将（二维）数据用一条直线分开，可能会有很多种分法，支持向量机的优点就是可以选择其中“最好的”直线。

首先要定义一个概念，支持向量（support vector）。支持向量就是（二维）数据分割线两边离分割线最近的一个或几个点，显然，对于一个分类问题，支持向量最少有两个（一边一个）；也可能有多个（每一边的所有支持向量到分割线的距离都相等而且最小）。

支持向量机就是基于支持向量工作的，它的成本函数就是图中的Margin，也就是两边的支持向量到分割线之间的距离之和。很好理解，成本函数当然越大越好啦，也就是分割线离两边的点越远越好。

当然，以上的原理图和介绍都是基于二维数据的，我们可以无脑将之推广到多维（“分割线”换成“分割面”，甚至是“分割超平面”；“点”换成“超级点”），反正一定不会错。

二、原理

1、成本函数

为了更好的理解，我们依然以二维的数据为例。

如果将分割线一侧的点的标签视为1，另外一侧的点的标签为-1，而分割线处为0，我们就可以通过净输入得到下面的等式：

将两等式相减，并用ω向量的长度将等式两侧“标准化”，可以得到margin的表达式：

等式的左侧就是要使其最大化的margin，其实如果从二维的角度理解，就是点到直线的距离。如此的话，分类的标准也可以写成如下形式：

ok，如果要最大化margin，只要优化等式右侧的权值向量相关的函数就可以了。实际使用时，往往采取最小化1/2 * ||ω||^2的办法，可以通过凸二次规划问题的解决方法去求解。这里我们不细说。

2、非线性问题与松弛变量

如果遇到样本非线性可分的情况，像感知器一样，在支持向量机中也要放宽标准。这里引入松弛变量ξ来达到“软边界”的目的。

可以看到，较小的ξ可以容许一定的分错，如果ξ很大，那么分类边界可以变得非常“没有下限”。在这种情况下，成本函数就为：

这里的C可以看做是正则化参数，C越大，对于分错的惩罚就越大，和逻辑回归中的超参数C刚好相反。

3、非线性问题与核SVM（kernel SVM）

SVM对于非线性问题的处理是很有一套的，在处理非线性问题时，可以选择将SVM“核化”。什么意思呢？不急，我们先来构造一些非线性可分的数据。

import numpy as np
import matplotlib.pyplot as plt
#设定随机种子
np.random.seed(18)
#生成服从正态分布的200行、2列的随机数
X_xor = np.random.randn(200, 2)
#设置逻辑门分组器
y_xor = np.logical_xor(X_xor[ : , 0] > 0, X_xor[ : , 1] > 0)
#将X_xor中两列都大于零的部分的标签设置为1，其余为-1
y_xor = np.where(y_xor, 1, -1)
plt.scatter(X_xor[y_xor == 1, 0], X_xor[y_xor == 1, 1], marker = "x", label = "1")
plt.scatter(X_xor[y_xor == -1, 0], X_xor[y_xor == -1, 1], marker = "o", label = "-1")
plt.ylim(-3, 3)
plt.legend(loc = "best")
plt.show()

这个数据用一条直线怎么分都很难分得开吧。核SVM此时就会将在二维难以线性分割的数据映射到三维，之前有看过一个形象的比喻：桌上有一堆散落的苹果和梨，想要用一根棍子把他们分开，怎么都做不到，这时突然来了一个武林高手，“喝”的一声就向着桌子一掌拍了上去，苹果和梨都飞了起来；由于苹果和梨的形状不同，下落的速度也不同，武林高手用棍子在空中“刷”的一下（摆拍），完美的将苹果和梨分开了。

核SVM做的就是这样一件事情，用一个映射函数Φ(·)将低维线性不可分的数据映射到高维，分开之后再映射回去：

比如说，这里的第三个维度就是x1和x2的平方和，原来2维的特征空间变成了新的3维的特征空间，那么分割起来就是这样的效果：

常用的核函数就那么几种，在sklearn中使用kernel参数都可以进行设置，包括rbf、linear、poly、sigmoid。那么如何选择核函数呢？说真的，真正做数据科学比赛的时候，我都是一个一个试的，不是说搞清楚理论再去选择不重要，而是现阶段这样做更为高效。

rbf核函数可以表示两组样本之间的相似度，它是这样的：

将分母提出来化简：

其中的γ就是原来的分母。由于有e为底，整个结果会落到0-1之间，如果两组样本距离很远，k会趋近于0，代表两组样本相似性很小；反之亦然。这里的γ就成为了模型中的一个超参数，可以进行设置，它对于模型的影响我们可以在代码的部分更好的理解。

三、python实现

sklearn.svm拥有SVM的各种实现函数，这里我们使用SVC，顾名思义就是SVM的classifier（分类器）。

首先我们测试一下rbf kernel SVC对于上面的非线性数据能够做到怎样的效果，还是利用之前的plot_decision_regions对边界进行可视化。

from matplotlib.colors import ListedColormap
from sklearn.svm import SVC
svm = SVC(kernel = "rbf", random_state = 0, gamma = 0.1, C = 10)
svm.fit(X_xor, y_xor)
plot_decision_regions(X_xor, y_xor, classifier = svm)
plt.legend()
plt.show()

如果将γ调大一些呢？

svm = SVC(kernel = "rbf", random_state = 0, gamma = 10, C = 10)
svm.fit(X_xor, y_xor)
plot_decision_regions(X_xor, y_xor, classifier = svm)
plt.legend()
plt.show()

可以看到边界变得更“软”了，但是这样做看起来会更容易过拟合，因此参数还是要好好的调一下的。

参考文献

【1】Python Machine Learning, 2015, Sebastian Raschka

---

小白python机器学习之路系列：

欢迎我的关注微信公众号——生物与化学数据分析，化学狗与生物狗学习数据分析的好地方！有问题随时提出哦！