选自The Yhat
作者：Greg
机器之心编译
参与：Jane W、蒋思源
支持向量机（SVM）已经成为一种非常流行的算法。本文将尝试解释支持向量机的原理，并列举几个使用 Python Scikits 库的例子。本文的所有代码已经上传 Github。有关使用 Scikits 和 Sklearn 的细节，我将在另一篇文章中详细介绍。
什么是 支持向量机（SVM）？
SVM 是一种有监督的机器学习算法，可用于分类或回归问题。它使用一种称为核函数（kernel）的技术来变换数据，然后基于这种变换，算法找到预测可能的两种分类之间的最佳边界（optimal boundary）。简单地说，它做了一些非常复杂的数据变换，然后根据定义的标签找出区分数据的方法。
为什么这种算法很强大？
在上面我们说 SVM 能够做分类和回归。在这篇文章中，我将重点讲述如何使用 SVM 进行分类。特别的是，本文的例子使用了非线性 SVM 或非线性核函数的 SVM。非线性 SVM 意味着算法计算的边界不再是直线。它的优点是可以捕获数据之间更复杂的关系，而无需人为地进行困难的数据转换；缺点是训练时间长得多，因为它的计算量更大。
牛和狼的分类问题
什么是核函数技术？
核函数技术可以变换数据。它具备一些好用的分类器的特点，然后输出一些你无需再进行识别的数据。它的工作方式有点像解开一条 DNA 链。从传入数据向量开始，通过核函数，它解开并组合数据，直到形成更大且无法通过电子表格查看的数据集。该算法的神奇之处在于，在扩展数据集的过程中，能发现类与类之间更明显的边界，使得 SVM 算法能够计算更为优化的超平面。
现在假装你是一个农夫，那么你就有一个问题——需要建立一个篱笆，以保护你的牛不被狼攻击。但是在哪里筑篱笆合适呢？如果你真的是一个用数据说话的农夫，一种方法是基于牛和狼在你的牧场的位置，建立一个分类器。通过对下图中几种不同类型的分类器进行比较，我们看到 SVM 能很好地区分牛群和狼群。我认为这些图很好地说明了使用非线性分类器的好处，可以看到逻辑回归和决策树模型的分类边界都是直线。
重现分析过程
想自己绘出这些图吗？你可以在你的终端或你选择的 IDE 中运行代码，在这里我建议使用 Rodeo（Python 数据科学专用 IDE 项目）。它有弹出制图的功能，可以很方便地进行这种类型的分析。它也附带了针对 Windows 操作系统的 Python 内核。此外，感谢 TakenPilot（一位编程者 https://github.com/TakenPilot）的辛勤工作，使得 Rodeo 现在运行闪电般快速。
下载 Rodeo 之后，从我的 github 页面中下载 cows_and_wolves.txt 原始数据文件。并确保将你的工作目录设置为保存文件的位置。
Rodeo 下载地址：https://www.yhat.com/products/rodeo
好了，现在只需将下面的代码复制并粘贴到 Rodeo 中，然后运行每行代码或整个脚本。不要忘了，你可以弹出绘图选项卡、移动或调整它们的大小。
# Data driven farmer goes to the Rodeoimport numpy as npimport pylab as plfrom sklearn import svmfrom sklearn import linear_modelfrom sklearn import treeimport pandas as pddef plot_results_with_hyperplane(clf, clf_name, df, plt_nmbr): x_min, x_max = df.x.min() - .5, df.x.max() + .5 y_min, y_max = df.y.min() - .5, df.y.max() + .5 # step between points. i.e. [0, 0.02, 0.04, ...] step = .02 # to plot the boundary, we're going to create a matrix of every possible point # then label each point as a wolf or cow using our classifier xx, yy = np.meshgrid(np.arange(x_min, x_max, step), np.arange(y_min, y_max, step)) Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) # this gets our predictions back into a matrix Z = Z.reshape(xx.shape) # create a subplot (we're going to have more than 1 plot on a given image) pl.subplot(2, 2, plt_nmbr) # plot the boundaries pl.pcolormesh(xx, yy, Z, cmap=pl.cm.Paired) # plot the wolves and cows for animal in df.animal.unique(): pl.scatter(df[df.animal==animal].x, df[df.animal==animal].y, marker=animal, label="cows" if animal=="x" else "wolves", color='black') pl.title(clf_name) pl.legend(loc="best")data = open("cows_and_wolves.txt").read()data = [row.split('\t') for row in data.strip().split('\n')]animals = []for y, row in enumerate(data): for x, item in enumerate(row): # x's are cows, o's are wolves if item in ['o', 'x']: animals.append([x, y, item])df = pd.DataFrame(animals, columns=["x", "y", "animal"])df['animal_type'] = df.animal.apply(lambda x: 0 if x=="x" else 1)# train using the x and y position coordiantestrain_cols = ["x", "y"]clfs = { "SVM": svm.SVC(), "Logistic" : linear_model.LogisticRegression(), "Decision Tree": tree.DecisionTreeClassifier(),}plt_nmbr = 1for clf_name, clf in clfs.iteritems(): clf.fit(df[train_cols], df.animal_type) plot_results_with_hyperplane(clf, clf_name, df, plt_nmbr) plt_nmbr += 1pl.show()SVM 解决难题
在因变量和自变量之间的关系是非线性的情况下，带有核函数的 SVM 算法会得到更精确的结果。在这里，转换变量（log(x),(x ^ 2)）就变得不那么重要了，因为算法内在地包含了转换变量的过程。如果你思考这个过程仍然有些不清楚，那么看看下面的例子能否让你更清楚地理解。
假设我们有一个由绿色和红色点组成的数据集。当根据它们的坐标绘制散点图时，点形成具有绿色轮廓的红色圆形（看起来很像孟加拉国的旗子）。
如果我们丢失了 1/3 的数据，那么会发生什么？如果无法恢复这些数据，我们需要找到一种方法来估计丢失的 1/3 数据。
那么，我们如何弄清缺失的 1/3 数据看起来像什么？一种方法是使用我们所拥有的 80％数据作为训练集来构建模型。但是使用什么模型呢？让我们试试下面的模型：
逻辑回归模型
决策树
支持向量机
对每个模型进行训练，然后用这些模型来预测丢失的 1/3 数据。下面是每个模型的预测结果：
模型算法比较的实现
下面是比较 logistic 模型、决策树和 SVM 的代码。
import numpy as npimport pylab as plimport pandas as pdfrom sklearn import svmfrom sklearn import linear_modelfrom sklearn import treefrom sklearn.metrics import confusion_matrixx_min, x_max = 0, 15y_min, y_max = 0, 10step = .1# to plot the boundary, we're going to create a matrix of every possible point# then label each point as a wolf or cow using our classifierxx, yy = np.meshgrid(np.arange(x_min, x_max, step), np.arange(y_min, y_max, step))df = pd.DataFrame(data={'x': xx.ravel(), 'y': yy.ravel()})df['color_gauge'] = (df.x-7.5)**2 + (df.y-5)**2df['color'] = df.color_gauge.apply(lambda x: "red" if x <= 15 else "green")df['color_as_int'] = df.color.apply(lambda x: 0 if x=="red" else 1)print "Points on flag:"print df.groupby('color').size()printfigure = 1# plot a figure for the entire datasetfor color in df.color.unique(): idx = df.color==color pl.subplot(2, 2, figure) pl.scatter(df[idx].x, df[idx].y, color=color) pl.title('Actual')train_idx = df.x < 10train = df[train_idx]test = df[-train_idx]print "Training Set Size: %d" % len(train)print "Test Set Size: %d" % len(test)# train using the x and y position coordiantescols = ["x", "y"]clfs = { "SVM": svm.SVC(degree=0.5), "Logistic" : linear_model.LogisticRegression(), "Decision Tree": tree.DecisionTreeClassifier()}# racehorse different classifiers and plot the resultsfor clf_name, clf in clfs.iteritems(): figure += 1 # train the classifier clf.fit(train[cols], train.color_as_int) # get the predicted values from the test set test['predicted_color_as_int'] = clf.predict(test[cols]) test['pred_color'] = test.predicted_color_as_int.apply(lambda x: "red" if x==0 else "green") # create a new subplot on the plot pl.subplot(2, 2, figure) # plot each predicted color for color in test.pred_color.unique(): # plot only rows where pred_color is equal to color idx = test.pred_color==color pl.scatter(test[idx].x, test[idx].y, color=color) # plot the training set as well for color in train.color.unique(): idx = train.color==color pl.scatter(train[idx].x, train[idx].y, color=color) # add a dotted line to show the boundary between the training and test set # (everything to the right of the line is in the test set) #this plots a vertical line train_line_y = np.linspace(y_min, y_max) #evenly spaced array from 0 to 10 train_line_x = np.repeat(10, len(train_line_y)) #repeat 10 (threshold for traininset) n times # add a black, dotted line to the subplot pl.plot(train_line_x, train_line_y, 'k--', color="black") pl.title(clf_name) print "Confusion Matrix for %s:" % clf_name print confusion_matrix(test.color, test.pred_color)pl.show()在 Rodeo 中复制和运行上面的代码。
结果
从这些图中可以清楚地看出 SVM 更好。为什么呢？如果观察决策树和 GLM（广义线性模型，这里指 logistic 回归）模型的预测形状，你会看到预测给出的直边界。因为它们的输入模型没有任何变换来解释 x、y 以及颜色之间的非线性关系。给定一组特定的变换，我们绝对可以使 GLM 和 DT（决策树）得出更好的结果，但寻找合适的变换将浪费大量时间。在没有复杂的变换或特征缩放的情况下，SVM 算法 5000 数据点只错误地分类了 117 点（98％的精度，而 DT 精确度为 51％，GLM 精确度为 12％）。由于所有错误分类的点是红色，所以预测的结果形状有轻微的凸起。
不适用的场合
那为什么不是所有问题都使用 SVM？很遗憾，SVM 的魅力也是它最大的缺点。复杂数据变换以及得到的决策边界平面是很难解释的。这就是为什么它通常被称为「黑箱」的原因。GLM 和决策树恰恰相反，它们的算法实现过程及怎样减少成本函数得到优良结果都很容易理解。
更多学习资源
想了解更多关于 SVM 的知识？以下是我收藏的一些好资源：
初级——SVM 教程：基础教程，作者是 MIT 的 Zoya Gavrilov
链接地址：http://web.mit.edu/zoya/www/SVM.pdf
初级——SVM 算法原理：Youtube 视频，作者是 Thales SehnK?rting
链接地址：https://youtu.be/1NxnPkZM9bc
中级——支持向量机在生物医学中的简要介绍：纽约大学 & 范德堡大学提供的课件
链接地址：https://www.med.nyu.edu/chibi/sites/default/files/chibi/Final.pdf
高级——模式识别下的支持向量机教程：作者是贝尔实验室（Bell Labs）的 Christopher Burges
链接地址：http://research.microsoft.com/en-us/um/people/cburges/papers/SVMTutorial.pdf