四種SVM主要核函數(shù)及相關(guān)參數(shù)的比較
本文將用數(shù)據(jù)可視化的方法解釋4種支持向量機核函數(shù)和參數(shù)的區(qū)別
簡單地說，支持向量機(SVM)是一種用于分類的監(jiān)督機器學習技術(shù)。它的工作原理是計算一個最好地分隔類的最大邊距的超平面。
支持向量機除了提供簡單的線性分離之外，還可以通過應用不同的核方法進行非線性分類。參數(shù)設置也是SVM更好地工作的另一個重要因素。通過適當?shù)倪x擇，我們可以使用支持向量機來處理高維數(shù)據(jù)。
本文旨將使用Scikit-learn庫來展示每個核函數(shù)以及如何使用不同的參數(shù)設置。并且通過數(shù)據(jù)可視化進行解釋和比較。
如果你正在尋找常見數(shù)據(jù)集(如Iris Flowers或Titanic)之外的另一個數(shù)據(jù)集，那么poksammon數(shù)據(jù)集可以是另一個選擇。盡管你可能不是這些口袋怪物的粉絲，但它們的屬性很容易理解，并且有各種各樣的特征可供使用。
Pokemon的屬性，如hp，攻擊和速度，可以作為連續(xù)變量使用。對于分類變量，有類型(草、火、水等)、等級(普通、傳奇)等。此外，如果有新一代或Pokemon出現(xiàn)，數(shù)據(jù)集將在未來進行更新。
免責聲明:Pokemon和所有相關(guān)名稱均為任天堂公司的版權(quán)和商標。
導入數(shù)據(jù)和庫
為了直觀地展示每個SVM的內(nèi)核是如何分離分類的的，我們將只選擇baby, legendary, mythical。我們先從導入數(shù)據(jù)和庫開始。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
df = pd.read_csv('pokemons.csv', index_col=0)
df.reset_index(drop=True, inplace=True)
df = df[df['rank'].isin(['baby', 'legendary'])]
df.reset_index(drop=True, inplace=True)
df.head()
EDA
Pokemon有7種基本的屬性- hp，攻擊，防御，特殊攻擊，特殊防御，速度和高度。下面的步驟是使用我們選擇的統(tǒng)計數(shù)據(jù)執(zhí)行一個快速EDA。
select_col = ['hp','atk', 'def', 'spatk', 'spdef', 'speed', 'height']
df_s = df[select_col]
df_s.info()
幸運的是，沒有空值。接下來，讓我們繪制Box和Whisker圖，以查看這些變量的分布。
sns.set_style('darkgrid')
df_s.iloc[:,].boxplot(figsize=(11,5))
plt.show()
height變量的分布與其他變量有很大的不同。在繼續(xù)之前應該執(zhí)行標準化。我們將使用來自sklearn的StandardScaler來進行處理
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
array_s = scaler.fit_transform(df_s)
df_scal = pd.DataFrame(array_s, columns=[i+'_std' for i in select_col])
df_scal.boxplot(figsize=(11,5))
plt.show()
標準化之后，分布看起來更好。
由于我們的數(shù)據(jù)集有多個特征，我們需要進行降維繪圖。使用來自sklearn.decomposition的類PCA將維數(shù)減少到兩個。結(jié)果將使用Plotly的散點圖顯示。
from sklearn.decomposition import PCA
import plotly.express as px
#encoding
dict_y = {'baby':1, 'legendary':2}
df['s_code'] = [dict_y.get(i) for i in df['rank']]
df.head()
pca = PCA(n_compnotallow=2)
pca_result = pca.fit_transform(array_s)
df_pca = pd.DataFrame(pca_result, columns=['PCA_1','PCA_2'])
df = pd.concat([df, df_pca], axis=1)
fig = px.scatter(df, x='PCA_1', y='PCA_2', hover_name='name',
color='rank', opacity=0.9,
color_discrete_sequence=['red', 'blue'])
fig.update_xaxes(showgrid=False)
fig.update_yaxes(showgrid=False)
fig.show()
我們把Pokemon圖片帶入散點圖。
再次免責聲明:Pokemon和所有相關(guān)名稱均為任天堂公司的版權(quán)和商標。
baby和legendary這兩個類別之間的大多數(shù)數(shù)據(jù)點是分開的。盡管這兩個類并沒有完全分離，但在本文中對每個內(nèi)核函數(shù)進行實驗還是很有用的。
下一步是在三維空間中獲得更多細節(jié)。讓我們將PCA組件的數(shù)量更改為三個。這是3D散點圖可以顯示的最大數(shù)字。
pcaz = PCA(n_compnotallow=3)
pcaz_result = pcaz.fit_transform(array_s)
df_pcaz = pd.DataFrame(pcaz_result, columns=['PCAz_1', 'PCAz_2', 'PCAz_3'])
df = pd.concat([df, df_pcaz], axis=1)
fig = px.scatter_3d(df, x='PCAz_1', y='PCAz_2', z='PCAz_3', hover_name='name',
color='rank', opacity=0.9,
color_discrete_sequence=['red', 'blue'])
fig.update_traces(marker=dict(size=4))
fig.update_layout(margin=dict(l=0, r=0, t=0, b=0))
fig.show()
結(jié)果顯示了更多關(guān)于數(shù)據(jù)點如何在三維空間中定位的細節(jié)。在一些區(qū)域兩個類仍然混合在一起。下面我們討論核方法。
核方法
支持向量機可以簡單地使用Scikit-learn庫中的sklearn.svm.SVC類執(zhí)行?？梢酝ㄟ^修改核參數(shù)來選擇核函數(shù)?？偣灿形宸N方法可用:
Linear
Poly
RBF (Radial Basis Function)
Sigmoid
Precomputed本文將主要關(guān)注前四種核方法，因為最后一種方法是預計算的，它要求輸入矩陣是方陣，不適合我們的數(shù)據(jù)集
除了核函數(shù)之外，我們還將調(diào)整三個主要參數(shù)，以便稍后比較結(jié)果。
C:正則化參數(shù)
Gamma(γ): rbf、poly和sigmoid函數(shù)的核系數(shù)
Coef0:核函數(shù)中的獨立項，只在poly和s型函數(shù)中有意義
在下面的代碼中，predict_proba()將計算網(wǎng)格上可能結(jié)果的概率。最終結(jié)果將顯示為等高線圖。
from sklearn import svm
import plotly.graph_objects as go
y = df['s_code'] # y values
h = 0.2 # step in meshgrid
x_min, x_max = df_pca.iloc[:, 0].min(), df_pca.iloc[:, 0].max()
y_min, y_max = df_pca.iloc[:, 1].min(), df_pca.iloc[:, 1].max()
xx, yy = np.meshgrid(np.arange(x_min-0.5, x_max+0.5, h), #create meshgrid
np.arange(y_min-0.5, y_max+0.5, h))
def plot_svm(kernel, df_input, y, C, gamma, coef):
svc_model = svm.SVC(kernel=kernel, C=C, gamma=gamma, coef0=coef,
random_state=11, probability=True).fit(df_input, y)
Z = svc_model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 0]
Z = Z.reshape(xx.shape)
fig = px.scatter_3d(df, x='PCAz_1', y='PCAz_2', z='PCAz_3', #3D Scatter plot
hover_name='name',
color='rank', opacity=0.9,
color_discrete_sequence=['red', 'blue'])
fig.update_traces(marker=dict(size=4))
fig.add_traces(go.Surface(x=xx, y=yy, # prediction probability contour plot
z=Z+round(df.PCAz_3.min(),3), # adjust the contour plot position
name='SVM Prediction',
colorscale='viridis', showscale=False,
contours = {"z": {"show": True, "start": x_min, "end": x_max,
"size": 0.1}}))
title = kernel.capitalize() + ' C=' + str(i) + ', γ=' + str(j) + ', coef0=' + str(coef)
fig.update_layout(margin=dict(l=0, r=0, t=0, b=0), showlegend=False,
title={'text': title,
'font':dict(size=39),
'y':0.95,'x':0.5,'xanchor': 'center','yanchor': 'top'})
return fig.show()最后，創(chuàng)建三個參數(shù)的列表以進行比較，這里將比較0.01和100之間的值。如果您想嘗試不同的值，可以調(diào)整該數(shù)字。
from itertools import product
C_list = [0.01, 100]
gamma_list = [0.01, 100]
coef_list = [0.01, 100]
param = [(r) for r in product(C_list, gamma_list, coef_list)]
print(param)
現(xiàn)在一切都準備好了，讓我們用不同類型的核函數(shù)繪制結(jié)果。
1、線性核
這是最常見、最簡單的SVM的核函數(shù)。這個核函數(shù)返回一個線性超平面，它被用作分離類的決策邊界。通過計算特征空間中兩個輸入向量的點積得到超平面。
for i,j,k in param:
plot_svm('linear', df_pca, y, i, j, k)
結(jié)果中的平面(等高線圖)不是超平面。它們是predict_proba()的預測概率的結(jié)果，其值在0到1之間。
概率平面表示數(shù)據(jù)點被分類的概率。黃色區(qū)域意味著成為Baby可能性很大，而藍色區(qū)域則表示成為Legend的可能性很大。
改變SVM結(jié)果的唯一參數(shù)是正則化參數(shù)(C)。理論上，當C的數(shù)量增加時，超平面的裕度會變小。當來自不同類別的數(shù)據(jù)點混合在一起時，使用高C可能會很好。過高的正則化會導致過擬合。
2、徑向基函數(shù)(RBF)核
RBF(徑向基函數(shù))。該核函數(shù)計算歐幾里得距離的平方來度量兩個特征向量之間的相似性。
只需更改內(nèi)核名稱，就可以使用相同的for循環(huán)進程。
for i,j,k in param:
plot_svm('rbf', df_pca, y, i, j, k)
結(jié)果表明，除了正則化參數(shù)(C)外，γ (γ)也會影響RBF核的結(jié)果，coef0對RBF核函數(shù)沒有影響。
伽馬參數(shù)決定了數(shù)據(jù)點對超平面的影響。對于高伽馬值，靠近超平面的數(shù)據(jù)點將比更遠的數(shù)據(jù)點有更大的影響。
低伽馬值的概率平面比高伽馬值的概率平面平滑。結(jié)果在高伽馬值的后4個散點圖中更為明顯;每個數(shù)據(jù)點對預測概率影響很大。
3、多項式核
多項式核通過將數(shù)據(jù)映射到高維空間來工作。取變換后的高維空間中數(shù)據(jù)點與原始空間的點積。由于它處理高維數(shù)據(jù)的能力，這個內(nèi)核被推薦用于執(zhí)行非線性分離。
多項式核與其他核相比，處理時間是最長的。這可能是將數(shù)據(jù)映射到高維空間的結(jié)果。
for i,j,k in param:
plot_svm('poly', df_pca, y, i, j, k)
可以看出，這三個參數(shù)都會影響SVM的分類效果。除正則化參數(shù)(C)和γ (γ)外，coef0參數(shù)控制高次多項式對模型的影響程度。coef0值越高，預測概率等高線越趨于彎曲。
4、Sigmoid核
理論上，sigmoid函數(shù)擅長映射輸入值并返回0到1之間的值。該函數(shù)通常用于神經(jīng)網(wǎng)絡中，其中s形函數(shù)作為分類的激活函數(shù)。
盡管它可以應用于SVM任務并且看起來很有用，但一些文章說結(jié)果可能太復雜而無法解釋。我們這里使用數(shù)據(jù)可視化來查看這個問題。
for i,j,k in param:
plot_svm('sigmoid', df_pca, y, i, j, k)
可以看到從Sigmoid核得到的圖很復雜，也無法解釋。預測概率等值線圖與其他核的預測概率等值線圖完全不同。并且等高線圖的顏色不在它對應的數(shù)據(jù)點下面。最主要的是當改變參數(shù)值時，結(jié)果沒有模式可循。
但是我個人認為，這并不意味著這個內(nèi)核很糟糕或者應該避免使用。也許他找到了我們未察覺的數(shù)據(jù)特征，所以可能會有一些分類任務，sigmoid將適合使用。
總結(jié)
支持向量機是一種有效的機器學習分類技術(shù)，因為它能夠提供簡單的線性和非線性分類。
因為每個數(shù)據(jù)集都有不同的特征，所以不存在銀彈。為了使支持向量機有效，必須選擇好核和參數(shù)，同時還要注意避免過擬合，我們以上的總結(jié)希望對你的選擇有所幫助。
