SVM分类器实现实例

　　我正在做一个关于SVM的小项目，在我执行验证SVM训练后的模型的时候，得到的report分数总是很高，无论是召回率（查全率）、精准度、还是f1-score都很高：

图1 分类器分数report

　　但是，对于训练的效果就非常差，差到连包含训练集的测试集都无法正确分类，如下图所示，左边是原图像，右边是分类图像，（我标注的标签样本是黄色区域与褐色区域），其中SVC的默认参数为rbf、C=1.0、gamma=“auto_deprecated”，LinearSVC的默认参数为：C=1.0、class_weight=none、dual=true、loss=“squard_hinge”:

a.原图

b.SVC（default parameter）

c.LinearSVC(default parameter)

图2. 默认分类效果

　　

　　由上文可以发现，分类器分类的效果很不好，为了进一步验证这个问题的原因，接下来我分别对LinearSVC和SVC进行参数调整：

1、LinearSVC参数调整

C：使用损失函数是用来对样本的分类偏差进行描述，例如:

由上文可以发现，分类器分类的效果很不好，为了进一步验证这个问题的原因，接下来我分别对LinearSVC和SVC进行参数调整：

1、LinearSVC参数调整

C：使用损失函数是用来对样本的分类偏差进行描述，例如:

引入松弛变量后，优化问题可以写为：

约束条件为：

对于不同的C值对于本实例中的分类影响为，如图3所示：

图3. LinearSVC在不同惩罚系数C下的表现

由此可以看出SVC在惩罚系数为0.3、4.0、300时能够较准确根据颜色对图像进行分类。但是作者发现，惩罚系数相同，重新训练时，会有不同的效果展示，才疏学浅，尚未能解释，如果有知道为什么的大神，敬请指点迷津。

2、SVC参数调整

SVC模型中有两个非常重要的参数，即C与gamma，其中C是惩罚系数，这里的惩罚系数同LinearSVC中的惩罚系数意义相同，表示对误差的宽容度，C越高，说明越是不能容忍误差的出现，C越小，表示越容易欠拟合，泛化能力变差。而另一个非常重要的参数gamma，是在选择RBF函数作为核函数后，才出现的，这个也是LinearSVC中所不包含的。高斯函数RBF中的gamma值有一个自带的默认值：gamma='auto_deprecated'；表示的是数据映射到新的特征空间后的分布，gamma值越大，支持向量就越少，gamma值越小，支持向量就越多。支持向量的个数影响训练与预测的速度。

RBF公式里面的sigma和gamma的关系为：

gamma的物理意义是关于RBF的幅宽，它可以影响每个支持向量对应的高斯的作用范围，进而影响分类器的泛化能力。在本例中我更改了多组c的值、gamma的值效果均是差之千里：

C=2、gamma=’auto’

C=default、gamma=1

C=default、gamma=10

C=default、gamma=100

图4 SVC参数修改后分类效果

　　

　　如此效果真的是让人头疼，不过有一点可以确定的是在样本海量的情况下，LinearSVC表现的要更好一些，算法执行时间很快，模型也较小，同样的样本下SVC用到的时间大概是LinearSVC的60倍左右。但是我们不能就此而已，我们要为问题寻找思路，这便转换成了一个寻优问题。

　　对于同时受到两个参数影响的调参问题，我们可以使用一些寻优算法，常用的寻优算法可分为两类：一类是在参数定义域空间内进行网格式搜索，例如专门针对SVC参数的GridSearch算法、交叉验证算法，这类算法虽然稳定性高、参数估计准确，但是算法时间复杂度较高，计算量较大；另一类是采用启发式优化，例如gaSVMForClass遗传算法参数寻优、psoSVMForClass粒子群优化算法参数寻优等，这类算法能够更快的寻找到最优参数组合。

本文先从GridSearch入手，毕竟它是sklearn模块中的子模块，导入方法也较简单：直接from sklearn.model_selection import GridSearchCV就ok。

GridSearch网格搜索是一种调参手段，它的基本原理是暴力求解，即尝试每一种可能性，将表现最好的认为是结果。使用的方法是穷举搜索，在所有的候选参数中，通过循环遍历，尝试每一种可能性。对于要调整两个参数c和g的高斯核函数来说，加入c的可能值有5种，g的可能值有6种，那么要遍历所有的c与g的组合参数值，就有5*6种可能，也就是可以列一个表格包含5列6行的表格，然后依次对表格内容进行遍历便可以实现遍历所有的30种可能了。

例如：遍历gamma在[0.001, 0.01, 0.1, 10, 100, 1000]范围，C在[0.001, 0.01, 0.1, 10, 100, 1000]范围内的最优值，便可以执行以下程序：

　　

best_score = 0
for gamma in [0.001, 0.01, 0.1, 10, 100, 1000]:
    for C in [0.001, 0.01, 0.1, 10, 100, 1000]:
        svm = SVC(gamma=gamma, C=C)
        svm.fit(X_train, y_train)
        score = svm.score(X_test, y_test)
        if score > best_score:
            best_score = score
            best_parameters = {'gamma':gamma, 'C':C}
print("best score:{:.2f}".format(best_score))
print("best parameters:{}".format(best_parameters)）

最终结果便是：
best score:0.95

best parameters:{'gamma': 0.01, 'C': 10}

由此可以看出，其实这个GridSearch方法就是一个代替我们去进行尝试的machine，它无法自己寻求合理的c与gamma的取值范围，且比较耗时，你设置的C值和gamma值越多，寻优时间就会翻倍增加。另外我将这对最优组合放在实际预测中查看效果，效果也是不甚理想啊：

图5 GridSearch寻到的最优C&gamma组合预测的效果

效果不理想的原因与我设置的C值与gamma值不全肯定有很大的关系，所以再利用我们这种方法就不怎么可行了，于是我们继续更改：

第一种笨方法：

还是利用GridSearch，只不过在C、gamma赋值处将固定值替换为初值加步长的形式，用到了range（）函数。

第二种方法是利用我前文所讲到的离子群优化算法寻优：

离子群优化算法（Particle Swarm Optimization Algorithm, PSO）是一种基于群体协作的随机搜索算法，其原理是源于对于鸟类捕食行为的研究，通过群体中的个体之间的协作核信息共享来寻找最优解，PSO算法的优势在于简单的算法实现和简洁的参数设置，目前较广泛的应用于函数优化、图像处理等方面，但是其缺点也是不可忽视的：提前收敛、容易陷入局部最优、维数灾难等缺点。

PSO算法的基本流程为：

Step1:初始化一群粒子（假设群体规模为已知），初始化随机位置及速度；

Step2:评价每个粒子的适应度（计算其与最优位置的距离）；

Step3:对每个微粒，将其适应值与其经过的最好位置pbest作比较，如果较好的话，则更新较好位置为最好位置；

Step4:加入权重因子，继续迭代更改粒子的速度及位置；

Step5:重复step2和step3直至达到结束条件（全局最优/迭代次数上限），否则继续执行2，3。

（未完待续，详情见下篇）