[完]机器学习实战 第六章 支持向量机（Support Vector Machine）

[参考] 机器学习实战（Machine Learning in Action）

本章内容

支持向量机（Support Vector Machine）是最好的现成的分类器，“现成”指的是分类器不加修改即可直接使用。基本形式的SVM分类器就可得到低错误率的结果。SVM有很多实现，文中采用最流行的一种实现，即序列最小优化（Sequential Minimal Optimization，一种求解支持向量机二次规划的算法）算法。还会介绍如何使用一种称为核函数（kernel）的方式将SVM扩展到更多的数据集上。

优点：泛化错误率低，计算开销不大，结果易理解。
这些优点是其十分流行，有人认为他是监督学习中最好的定式算法。与下章中AdaBoost是最好的监督学习的方法相对应。
缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于二类问题。
使用数据类型：数值型和标称型数据。

希望找到离分隔超平面最近的点，确保它们离分隔面的距离尽可能远。这里点到分隔面的距离被称为间隔（margin）。支持向量（support vector）就是离分隔超平面最近的那些点。

分隔超平面的形式可以写成 wT+b ，要计算点A到分隔超平面的距离，就必须给出点到分隔面的法线或者垂线的长度，该值为 |wTA+b|/∥w∥ 。常数 b 类似于Logistic回归中的截距 w0 。向量 w 和常数 b 一起描述所给数据的分割线或超平面。

其他概念：线性可分（linearly separable），分隔超平面（separating hyperplane），间隔（margin）

SVM使用类似海维赛德阶跃函数（即单位阶跃函数）的函数对 wT+b 作用得到 f(wT+b) ，其中当 u<0 时 f(u)=−1 ，反之则输出+1。不像Logistic回归，采用0和1，是因为-1和+1仅仅相差一个符号，方便数学上的处理。可以通过一个统一公式来表示间隔或者数据点到分隔超平面的距离，同时不必担心数据到底是属于-1还是+1类。

间隔通过 label∗(wTx+b) 来表示计算，目标就是找出分类器定义中的 w 和 b ，需要找到具有最小间隔的点，这些点就是支持向量。然后，对间隔进行最大化。可以写作：

arg maxw,b{minn(label⋅(wTx+b))⋅1∥w∥}

上面是对乘积进行优化的事情，需要固定其中一个因子而最大化其他因子。若令所有支持向量的 label∗(wTx+b) 都为1，那么可以求 ∥w∥−1 的最大值来得到最终解。但是并非所有数据点的 label∗(wTx+b) 都等1，只有那些离分隔超平面最近的点得到的值才为1。而离超平面越远的数据点，其 label∗(wTx+b) 的值也就越大。

上述优化问题给定了一些约束条件然后求最优值，该问题是一个带约束条件的优化问题。这里的优化条件是 label∗(wTx+b)≥1.0 。此类问题的一个著名的求解方法是拉格朗日乘子法。通过引入拉格朗日乘子，可基于约束条件表达原来的问题。由于这里的约束条件是基于数据点的，因此就可以将超平面写成数据点的形式。优化目标函数最后可以写成：

maxa⎡⎣∑i=1mα−12∑i,j=1mlabel(i)⋅label(i)⋅αi⋅αj⟨xi,xj⟩⎤⎦(1)

其中尖括号表示 xi,xj 两个向量的内积，整个目标函数的约束条件为：

α≥0,和∑i=1mαj⋅label(i)=0

因为并非所有数据都100%线性可分，所以需要引入松弛变量（slack variable），来允许有些数据点可处于分隔面的错误一侧。这样优化目标可保持不变，但此时约束条件则变为：

C≥α≥0,和∑i=1mαi⋅label(i)=0(2)

常数 C 用于控制“最大化间隔”和“保证大部分点的间隔小于1.0”这两个目标的权重。在优化算法的实现代码中， C 是一个参数，可通过调节该参数得到不同的结果。一旦求出所有的alpha，那么分隔超平面可通过这些alpha来表达。SVM的主要工作就是求解这些alpha。

其中（1）是最小化目标函数，（2）是优化过程中必须遵循的约束条件。以前，采用二次规划求解工具（quadratic solver）求解上述最优化问题。

SMO（Sequential Minimal Optimization）是一个强大的算法，表示序列最小优化。SMO将大优化问题分解成多个小优化问题来求解。此算法目标是求出一系列alpha和b，一旦求出这些alpha，就容易计算出权重向量 w 。

SMO算法的工作原理：每次循环中选择两个alpha进行优化处理。一旦找到一对“合适”的alpha，那么就增大其中一个同时减小另一个。“合适”指两个alpha必须要符合一定条件，条件之一就是这两个alpha必须要在间隔边界之外，而其第二个条件则是这两个alpha还没有进行过区间化处理或者不在边界上。

利用核函数将数据映射到高维空间

特征空间转换，称为从一个特征空间到另一个特征空间的映射。一般，这种空间映射会将低维特征空间映射到高维空间。这种映射可通过核函数（kernel）来实现。可以将核函数想象成一个包装器（wrapper）或者接口（interface）。经过空间转换后，可在高维空间中解决线性问题，这等价于在低维空间中解决非线性问题。

SVM优化中，所有运算都可以写成内积（inner product，也成为点积）的形式。向量的内积指的是两个向量相乘，之后得到单个标量或者数值。可将内积运算替换成核函数，而不必做简化处理。将内积替换成核函数的方式成为核技巧（kernel trick）或者核“变电”（kernel substation）

径向基核函数（radial basis function），是一个采用向量作为自变量的函数，能够基于向量距离运算输出一个标量。这个距离可以是从<0,0>向量或者其他向量开始计算的距离。可使用径向基核函数的高斯版本，具体公式：

k(x,y)=exp(−∥x−y∥22σ2)

其中， σ 是用户定义的用于确定到达率（reach）或者函数值跌落到0的速度参数。高斯核函数可将数据映射到一个无穷维的空间。

使用函数

函数	功能
str.strip(rm)	删除str字符串中开头、结尾处，位于rm删除序列的字符，当rm为空时，默认删除空白符（含'\n','\r','\t',' '）
str.lstrip(rm)	删除str字符串中开头处，位于rm删除序列的字符
str.rstrip(rm)	删除str字符串中结尾处，位于rm删除序列的字符
random.uniform(x, y)	在[x,y]范围内，随机生成一个实数
np.multiply(a, b)	对应下标元素相乘
np.multiply.outer(a, b)	列表a中元素分别和b相乘，得到一个二维数组
list.copy()	列表的浅复制
alphas[alphas>0]	数组过滤，返回alphas中大于0的元素
mat.A	将matrix数据转换成array
mat[ind]	获取ind列表中数字对应的mat矩阵的行
listdir(dirName)	from os import listdir，获取给定文件夹下的文件名列表，不含文件路径

程序代码

# coding=utf-8

from numpy import *

def loadDataSet(fileName) : 
    dataMat = []; labelMat = []
    fr = open(fileName)
    for line in fr.readlines() :
        lineArr = line.strip().split('\t')
        dataMat.append([float(lineArr[0]), float(lineArr[1])])
        labelMat.append(float(lineArr[2]))
    return dataMat, labelMat

def selectJrand(i,m) :
    j=i
    while(j==i) :
        j = int(random.uniform(0,m))
    return j

def clipAlpha(aj, H, L) :
    if aj > H : 
        aj = H
    if L > aj :
        aj = L
    return aj

# dataMatIn: 数据集
# classLabels: 类别标签
# C: 常数C
# toler: 容错率
# maxIter: 退出前最的循环次数
def smoSimple(dataMatIn, classLabels, C, toler, maxIter) :
    dataMatrix = mat(dataMatIn)
    labelMat = mat(classLabels).transpose()
    b = 0;
    m,n = shape(dataMatrix)
    alphas = mat(zeros((m,1)))
    iter = 0
    while (iter < maxIter) :
        # alphaPairsChanged记录alpha是否已经进行优化
        alphaPairsChanged = 0
        for i in range(m) : 
            # fXi预测的类别
            fXi = float(multiply(alphas, labelMat).T*(dataMatrix*dataMatrix[i,:].T)) + b
            # 预测结果与真实结果比对，计算误差Ei
            Ei = fXi - float(labelMat[i])
            # 如果误差很大，那么可对该数据实例所对应的alpha值进行优化，分别对正间隔和负间隔做了测试，
            # 并且检查了alpha值，保证其不能等于0或者C，由于后面alpha小于0或者大于C时将被调整为0或C，
            # 所以一旦该if语句中它们等于这两个值得话，那么它们就已经在“边界”上了，因而不再能够减小或增大，
            # 因此也就不值得对它们进行优化
            if((labelMat[i]*Ei < -toler) and (alphas[i] < C)) or ((labelMat[i]*Ei > toler) and (alphas[i] > 0)) :
                # 利用辅助函数，随机选择第二个alpha值
                j = selectJrand(i,m)
                fXj = float(multiply(alphas, labelMat).T*(dataMatrix*dataMatrix[j,:].T)) + b
                Ej = fXj - float(labelMat[j])
                alphaIold = alphas[i].copy()
                alphaJold = alphas[j].copy()
                # L和H用于将alphas[j]调整到0-C之间。如果L==H，就不做任何改变，直接执行continue语句
                if labelMat[i] != labelMat[j] :
                    L = max(0, alphas[j] - alphas[i])
                    H = min(C, C + alphas[j] - alphas[i])
                else :
                    L = max(0, alphas[j] + alphas[i] -C)
                    H = min(C, alphas[j] + alphas[i])
                if L==H : print 'L==H'; continue
                # eta是alphas[j]的最优修改量，如果eta==0，需要退出for循环的当前迭代过程
                eta = 2.0 * dataMatrix[i, :] * dataMatrix[j, :].T - dataMatrix[i, :]*dataMatrix[i, :].T \
                    - dataMatrix[j, :]*dataMatrix[j, :].T
                if eta >= 0 : print 'eta>=0' ; continue
                # 计算出一个新的alphas[j]值
                alphas[j] -= labelMat[j]*(Ei - Ej)/eta
                # 并使用辅助函数，以及L和H对其进行调整
                alphas[j] = clipAlpha(alphas[j], H, L)
                # 检查alphas[j]是否有轻微改变，如果是的话，退出for循环
                if( abs(alphas[j] - alphaJold) < 0.00001) : print 'j not moving enough'; continue
                # 然后alphas[i]和alphas[j]同样进行改变，虽然改变的大小一样，但是改变的方向正好相反
                alphas[i] += labelMat[j]*labelMat[i]*(alphaJold - alphas[j])
                # 在对alphas[i]和alphas[j]进行优化后，给这两个alpha值设置一个常数项b
                b1 = b - Ei - labelMat[i]*(alphas[i]-alphaIold)*dataMatrix[i, :]*dataMatrix[i, :].T\
                    - labelMat[j]*(alphas[j]-alphaJold)*dataMatrix[i, :]*dataMatrix[j, :].T
                b2 = b - Ej - labelMat[i]*(alphas[i]-alphaIold)*dataMatrix[i, :]*dataMatrix[j, :].T\
                    - labelMat[j]*(alphas[j]-alphaJold)*dataMatrix[j, :]*dataMatrix[j, :].T
                if (0 < alphas[i]) and (C > alphas[i]) : b = b1
                elif (0 < alphas[j]) and (C > alphas[j]) : b = b2
                else: b = (b1 + b2)/2.0
                alphaPairsChanged += 1
                print 'iter: %d i:%d, pairs changed %d' % (iter, i, alphaPairsChanged)
        if alphaPairsChanged == 0 : iter += 1
        else: iter = 0
        print 'iteration number: %d' % iter
    return b, alphas


# 建立一个数据结构来保存所有重要值 
''' class optStruct: def __init__(self, dataMatIn, classLabels, C, toler) : self.X = dataMatIn self.labelMat = classLabels self.C = C self.tol = toler self.m = shape(dataMatIn)[0] self.alphas = mat(zeros((self.m, 1))) self.b = 0 # 误差缓存 self.eCache = mat(zeros((self.m, 2))) '''

# 使用Kernel函数的class optStruct
class optStruct :
    def __init__(self, dataMatIn, classLabels, C, toler, kTup) :
        self.X = dataMatIn
        self.labelMat = classLabels
        self.C = C
        self.tol = toler
        self.m = shape(dataMatIn)[0]
        self.alphas = mat(zeros((self.m, 1)))
        self.b = 0
        # 误差缓存
        self.eCache = mat(zeros((self.m, 2)))
        self.K = mat(zeros((self.m, self.m)))
        for i in range(self.m) :
            self.K[:,i] = kernelTrans(self.X, self.X[i,:], kTup)

''' # 对于给定的alpha值，calcEk()能够计算E值并返回 def calcEk(oS, k) : fXk = float(multiply(oS.alphas, oS.labelMat).T*(oS.X*oS.X[k,:].T)) + oS.b Ek = fXk - float(oS.labelMat[k]) return Ek ''' 
# 使用Kernel函数的calcEk
def calcEk(oS, k) :
    fXk = float(multiply(oS.alphas, oS.labelMat).T*oS.K[:,k]) + oS.b
    Ek = fXk - float(oS.labelMat[k])
    return Ek   

# 内循环中的启发式方法，用于选择第二个alpha或者内循环的alpha值
# 目标：选择合适的第二个alpha值以保证在每次优化中采用最大步长
# 该函数的误差值与第一个alpha值Ei和下标i有关
def selectJ(i, oS, Ei) :
    maxK = -1; maxDeltaE = 0; Ej = 0
    # 将输入值Ei在缓存中设置成为有效的
    oS.eCache[i] = [1, Ei]
    # nonzero()返回一个列表，列表包含以输入列表为目录的列表值，这里的值并非零
    # 返回的非零E值对应的alpha值，而不是E值本身
    validEcacheList = nonzero(oS.eCache[:,0].A)[0]
    if len(validEcacheList) > 1 :
        for k in validEcacheList :
            if k == i : continue
            Ek = calcEk(oS, k)
            deltaE = abs(Ei - Ek)
            # 选择具有最大步长的j
            if deltaE > maxDeltaE :
                maxK = k; maxDeltaE = deltaE; Ej = Ek
        return maxK, Ej
    else :# 第一次循环，随机选择一个alpha值
        j = selectJrand(i, oS.m)
        Ej = calcEk(oS, j)
    return j, Ej

# 计算误差值并存入缓存当中
def updateEk(oS, k) :
    Ek = calcEk(oS, k)
    oS.eCache[k] = [1, Ek]

# 完整的Platt SMO算法中的优化例程
''' def innerL(i, oS) : Ei = calcEk(oS, i) if ( (oS.labelMat[i]*Ei < -oS.tol) and (oS.alphas[i] < oS.C) ) or \ ( (oS.labelMat[i]*Ei > oS.tol) and (oS.alphas[i] > 0) ) : j, Ej = selectJ(i, oS, Ei) alphaIold = oS.alphas[i].copy() alphaJold = oS.alphas[j].copy() if oS.labelMat[i] != oS.labelMat[j] : L = max(0, oS.alphas[j] - oS.alphas[i]) H = min(oS.C, oS.C + oS.alphas[j] - oS.alphas[i]) else : L = max(0, oS.alphas[j] + oS.alphas[i] - oS.C) H = min(oS.C, oS.alphas[j] + oS.alphas[i]) if L==H : print "L==H"; return 0 eta = 2.0*oS.X[i,:]*oS.X[j,:].T - oS.X[i,:]*oS.X[i,:].T - oS.X[j,:]*oS.X[j,:].T if eta >=0 : print "eta>=0"; return 0 oS.alphas[j] -= oS.labelMat[j]*(Ei - Ej)/eta oS.alphas[j] = clipAlpha(oS.alphas[j], H, L) updateEk(oS, j) if abs(oS.alphas[j] - alphaJold) < 0.00001 : print "j not moving enough"; return 0 oS.alphas[i] += oS.labelMat[j]*oS.labelMat[i]*(alphaJold - oS.alphas[j]) updateEk(oS, i) b1 = oS.b - Ei - oS.labelMat[i]*(oS.alphas[i] - alphaIold)*oS.X[i,:]*oS.X[i,:].T -\ oS.labelMat[j]*(oS.alphas[j] - alphaJold)*oS.X[i,:]*oS.X[j,:].T b2 = oS.b - Ej - oS.labelMat[i]*(oS.alphas[i] - alphaIold)*oS.X[i,:]*oS.X[j,:].T -\ oS.labelMat[j]*(oS.alphas[j] - alphaJold)*oS.X[j,:]*oS.X[j,:].T if (0 < oS.alphas[i]) and (oS.C > oS.alphas[i]) : oS.b = b1 elif (0 < oS.alphas[j]) and (oS.C > oS.alphas[j]) : oS.b = b2 else : oS.b = (b1 + b2) / 2.0 return 1 else : return 0 ''' 

# 使用Kernel函数的innerL
def innerL(i, oS) :
    Ei = calcEk(oS, i)
    if ( (oS.labelMat[i]*Ei < -oS.tol) and (oS.alphas[i] < oS.C) ) or \
       ( (oS.labelMat[i]*Ei > oS.tol) and (oS.alphas[i] > 0) ) : 
        j, Ej = selectJ(i, oS, Ei)
        alphaIold = oS.alphas[i].copy()
        alphaJold = oS.alphas[j].copy()
        if oS.labelMat[i] != oS.labelMat[j] :
            L = max(0, oS.alphas[j] - oS.alphas[i])
            H = min(oS.C, oS.C + oS.alphas[j] - oS.alphas[i])
        else :
            L = max(0, oS.alphas[j] + oS.alphas[i] - oS.C)
            H = min(oS.C, oS.alphas[j] + oS.alphas[i])
        if L==H : print "L==H"; return 0
        # eta = 2.0*oS.X[i,:]*oS.X[j,:].T - oS.X[i,:]*oS.X[i,:].T - oS.X[j,:]*oS.X[j,:].T
        eta = 2.0*oS.K[i,j] - oS.K[i,i] - oS.K[j,j]
        if eta >=0 : print "eta>=0"; return 0
        oS.alphas[j] -= oS.labelMat[j]*(Ei - Ej)/eta
        oS.alphas[j] = clipAlpha(oS.alphas[j], H, L)
        updateEk(oS, j)
        if abs(oS.alphas[j] - alphaJold) < 0.00001 :
            print "j not moving enough"; return 0
        oS.alphas[i] += oS.labelMat[j]*oS.labelMat[i]*(alphaJold - oS.alphas[j])
        updateEk(oS, i)
        ''' b1 = oS.b - Ei - oS.labelMat[i]*(oS.alphas[i] - alphaIold)*oS.X[i,:]*oS.X[i,:].T -\ oS.labelMat[j]*(oS.alphas[j] - alphaJold)*oS.X[i,:]*oS.X[j,:].T b2 = oS.b - Ej - oS.labelMat[i]*(oS.alphas[i] - alphaIold)*oS.X[i,:]*oS.X[j,:].T -\ oS.labelMat[j]*(oS.alphas[j] - alphaJold)*oS.X[j,:]*oS.X[j,:].T '''
        b1 = oS.b - Ei - oS.labelMat[i]*(oS.alphas[i] - alphaIold)*oS.K[i,i] -\
             oS.labelMat[j]*(oS.alphas[j] - alphaJold)*oS.K[i,j]
        b2 = oS.b - Ej - oS.labelMat[i]*(oS.alphas[i] - alphaIold)*oS.K[i,j] -\
             oS.labelMat[j]*(oS.alphas[j] - alphaJold)*oS.K[j,j]
        if (0 < oS.alphas[i]) and (oS.C > oS.alphas[i]) : oS.b = b1
        elif (0 < oS.alphas[j]) and (oS.C > oS.alphas[j]) : oS.b = b2
        else : oS.b = (b1 + b2) / 2.0
        return 1
    else : return 0


# 完整版Platt SMO算法的外循环代码
def smoP(dataMatIn, classLabels, C, toler, maxIter, kTup=('lin', 0)) :
    oS = optStruct(mat(dataMatIn), mat(classLabels).transpose(), C, toler, kTup)
    iter = 0
    entireSet = True; alphaPairsChanged = 0
    # 退出循环条件：1、迭代次数超过指定最大值；2、遍历整个集合都未对任意alpha对进行修改。
    while (iter < maxIter) and ((alphaPairsChanged > 0) or (entireSet)) :
        alphaPairsChanged = 0
        if entireSet :
            # 在数据集上遍历任意可能的alpha，使用innerL()来选择第二个alpha，并在可能时对其进行优化
            for i in range(oS.m) :
                alphaPairsChanged += innerL(i, oS)
            print "fullSet, iter: %d i: %d, pairs changed %d" % (iter, i, alphaPairsChanged)
            iter += 1
        else :
            nonBoundIs = nonzero((oS.alphas.A > 0) * (oS.alphas.A < C))[0]
            # 遍历所有非边界alpha值，也就是不在边界0或C上的值
            for i in nonBoundIs :
                alphaPairsChanged += innerL(i, oS)
                print "non-bound, iter: %d i:%d, pairs changed %d" % (iter, i, alphaPairsChanged)
            iter += 1
        if entireSet: entireSet = False
        elif alphaPairsChanged == 0 : entireSet = True
        print "iteration number: %d" % iter
    return oS.b, oS.alphas

# 利用alpha值，进行分类
def calcWs(alphas, dataArr, classLabels) :
    X = mat(dataArr)
    labelMat = mat(classLabels).transpose()
    m,n = shape(X)
    w = zeros((n,1))
    for i in range(m) :
        w += multiply(alphas[i]*labelMat[i], X[i,:].T)
    return w

# 核转换函数
# kTup: 元组，核函数的信息，元组的一个参数是描述所用核函数类型的一个字符串，另外2个参数则都是核函数可能需要的可选参数
# 一个调用实例：kernelTrans(sVs, dataMat[i,:], ('rbf', k1))
# 其中k1是径向基核函数高斯版本中的sigma
def kernelTrans(X, A, kTup) :
    m,n = shape(X)
    # 构建一个列向量
    K = mat(zeros((m, 1)))
    # 检查元组以确定核函数的类型
    if kTup[0] == 'lin' : K = X * A.T
    # 在径向基核函数的情况下
    elif kTup[0] == 'rbf' : 
        # for循环中对于矩阵的每个元素计算高斯函数的值
        for j in range(m) :
            deltaRow = X[j, :] - A
            K[j] = deltaRow*deltaRow.T
        # 将计算过程应用到整个向量，元素间的除法
        K = exp(K/(-1*kTup[1]**2))
    else : raise NameError('Houston We Have a Problem -- That Kernel is not recognized')
    return K

# 利用核函数进行分类的径向基测试函数
# k1: 高斯径向基函数中一个用户定义变量
# 此函数从文件中读取数据集，然后在该数据集上运行Platt SMO算法，其中核函数的类型是'rbf'
def testRbf(k1 = 1.3) :
    dataArr, labelArr = loadDataSet('C:\python27\ml\\testSetRBF.txt')
    b, alphas = smoP(dataArr, labelArr, 200, 0.0001, 10000, ('rbf', k1))
    dataMat = mat(dataArr); labelMat = mat(labelArr).transpose()
    svInd = nonzero(alphas.A>0)[0]
    sVs = dataMat[svInd]
    labelSV = labelMat[svInd]
    print "there are %d Support Vectors" % shape(sVs)[0]
    m,n = shape(dataMat)
    errorCount = 0
    for i in range(m) :
        # for循环中前两行，给出了如何利用核函数进行分类
        kernelEval = kernelTrans(sVs, dataMat[i,:], ('rbf', k1))
        predict = kernelEval.T * multiply(labelSV, alphas[svInd]) + b
        if sign(predict) != sign(labelArr[i]) : errorCount += 1
    print "the training error rate is: %f" % (float(errorCount)/m)
    dataArr, labelArr = loadDataSet('C:\python27\ml\\testSetRBF2.txt')
    errorCount = 0
    dataMat = mat(dataArr); labelMat = mat(labelArr).transpose()
    m,n = shape(dataMat)
    for i in range(m) :
        kernelEval = kernelTrans(sVs, dataMat[i,:], ('rbf', k1))
        predict = kernelEval.T * multiply(labelSV, alphas[svInd]) + b
        if sign(predict) != sign(labelArr[i]) : errorCount += 1
    print "the test error rate is: %f" % (float(errorCount)/m)

# 基于SVM的手写数字识别
def loadImages(dirName) :
    from os import listdir
    hwLabels = []
    trainingFileList = listdir(dirName)
    m = len(trainingFileList)
    trainingMat = zeros((m, 1024))
    for i in range(m) :
        fileNameStr = trainingFileList[i]
        fileStr = fileNameStr.split('.')[0]
        classNumStr = int(fileStr.split('_')[0])
        if classNumStr == 9 : hwLabels.append(-1)
        else : hwLabels.append(1)
        trainingMat[i, :] = img2vector('%s/%s' % (dirName, fileNameStr))
    return trainingMat, hwLabels

def testDigits(kTup = ('rbf', 10)) :
    dataArr, labelArr = loadImages('c:\python27\ml\\trainingDigits')
    b, alphas = smoP(dataArr, labelArr, 200, 0.0001, 10000, kTup)
    dataMat = mat(dataArr)
    labelMat = mat(labelArr).transpose()
    svInd = nonzero(alphas.A > 0)[0]
    sVs = dataMat[svInd]
    labelSV = labelMat[svInd]
    print "there are %d Support Vectors" % shape(sVs)[0]
    m,n = shape(dataMat)
    errorCount = 0
    for i in range(m) :
        kernelEval = kernelTrans(sVs, dataMat[i, :], kTup)
        predict = kernelEval.T * multiply(labelSV, alphas[svInd]) + b 
        if sign(predict) != sign(labelArr[i]) : errorCount += 1 
    print "the training error rate is: %f" % (float(errorCount)/m)
    dataArr, labelArr = loadImages('c:\python27\ml\\testDigits')
    errorCount = 0
    dataMat = mat(dataArr)
    labelArr = mat(labelArr).transpose()
    m,n = shape(dataMat)
    for i in range(m) :
        kernelEval = kernelTrans(sVs, dataMat[i, :], kTup)
        predict = kernelEval.T * multiply(labelSV, alphas[svInd]) + b
        if sign(predict) != sign(labelArr[i]) : errorCount += 1 
    print "the test error rate is: %f" % (float(errorCount)/m)

在命令行中执行：

# 加载数据
>>> import ml.svmML as svmML
>>> dataArr, labelArr = svmML.loadDataSet('c:\python27\ml\\testSet.txt')
>>> labelArr
[-1.0, -1.0, 1.0, -1.0, 1.0, 1.0, 1.0, -1.0, -1.0, -1.0, -1.0, -1.0, -1.0, 1.0,
-1.0, 1.0, 1.0, -1.0, 1.0, -1.0, -1.0, -1.0, 1.0, -1.0, -1.0, 1.0, 1.0, -1.0, -1
.0, -1.0, -1.0, 1.0, 1.0, 1.0, 1.0, -1.0, 1.0, -1.0, -1.0, 1.0, -1.0, -1.0, -1.0
, -1.0, 1.0, 1.0, 1.0, 1.0, 1.0, -1.0, 1.0, 1.0, -1.0, -1.0, 1.0, 1.0, -1.0, 1.0
, -1.0, -1.0, -1.0, -1.0, 1.0, -1.0, 1.0, -1.0, -1.0, 1.0, 1.0, 1.0, -1.0, 1.0,
1.0, -1.0, -1.0, 1.0, -1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, -1.0, -1.0, -1.0,
 -1.0, 1.0, -1.0, 1.0, 1.0, 1.0, -1.0, -1.0, -1.0, -1.0, -1.0, -1.0, -1.0]

# 执行简化版SMO算法
>>> b, alphas = svmML.smoSimple(dataArr, labelArr, 0.6, 0.001, 40)
......
iteration number: 23
j not moving enough
j not moving enough
j not moving enough
iteration number: 24
iter: 24 i:29, pairs changed 1
j not moving enough
j not moving enough
iteration number: 0
j not moving enough
j not moving enough
j not moving enough
iteration number: 1
......
>>> b               # 因为SMO算法的随机性，每次运行的结果不一样
matrix([[-3.84267434]])
>>> alphas[alphas>0]
matrix([[ 0.08891067, 0.27233877, 0.03016793, 0.33108151]])
>>> import numpy as np
>>> np.shape(alphas[alphas>0])              # 得到支持向量的个数
(1, 4)
>>> for i in range(100):                    # 得到哪些点是支持向量
...     if alphas[i]>0.0: print dataArr[i], labelArr[i]
...
[4.658191, 3.507396] -1.0
[3.457096, -0.082216] -1.0
[5.286862, -2.358286] 1.0
[6.080573, 0.418886] 1.0

# 完整版Platt SMO
>>> reload(svmML)
<module 'ml.svmML' from 'C:\Python27\ml\svmML.py'>
>>> dataArr, labelArr = svmML.loadDataSet('c:\python27\ml\\testSet.txt')
>>> b, alphas = svmML.smoP(dataArr, labelArr, 0.6, 0.001, 40)
......
non-bound, iter: 1 i:55, pairs changed 0
non-bound, iter: 1 i:94, pairs changed 0
iteration number: 2
j not moving enough
j not moving enough
j not moving enough
j not moving enough
j not moving enough
j not moving enough
j not moving enough
L==H
j not moving enough
j not moving enough
L==H
j not moving enough
j not moving enough
L==H
L==H
j not moving enough
fullSet, iter: 2 i: 99, pairs changed 0
iteration number: 3
>>> alphas[alphas>0]
matrix([[ 0.06961952, 0.0169055 , 0.0169055 , 0.0272699 , 0.04522972, 0.0272699 , 0.0243898 , 0.06140181, 0.06140181]])

# 进行数据点分类
>>> ws = svmML.calcWs(alphas, dataArr, labelArr)
>>> ws
array([[ 0.65307162], [-0.17196128]])
>>> import numpy as np
>>> dataMat = np.mat(dataArr)
>>> dataMat[0]
matrix([[ 3.542485, 1.977398]])
>>> b
matrix([[-2.89901748]])
>>> dataMat[0]*np.mat(ws) + b
matrix([[-0.92555695]])
>>> labelArr[0]
-1.0
>>> dataMat[2]*np.mat(ws) + b
matrix([[ 2.30436336]])
>>> labelArr[2]
1.0
>>> dataMat[1]*np.mat(ws) + b
matrix([[-1.36706674]])
>>> labelArr[1]
-1.0

# 在测试中使用核函数
>>> reload(svmML)
<module 'ml.svmML' from 'C:\Python27\ml\svmML.pyc'>
>>> svmML.testRbf()
......
j not moving enough
L==H
L==H
L==H
L==H
fullSet, iter: 6 i: 99, pairs changed 0
iteration number: 7
there are 27 Support Vectors
the training error rate is: 0.030000
the test error rate is: 0.040000

# 基于SVM的手写数字识别
>>> reload(svmML)
<module 'ml.svmML' from 'C:\Python27\ml\svmML.py'>
>>> svmML.testDigits(('rbf', 20))
......
j not moving enough
j not moving enough
j not moving enough
fullSet, iter: 7 i: 1933, pairs changed 0
iteration number: 8
there are 157 Support Vectors
the training error rate is: 0.000000
the test error rate is: 0.012685