SVM gépi tanulás oktatóprogram - Mi a támogatási vektoros gépi algoritmus, kódpéldákkal elmagyarázva

Programozás

A gépi tanulás által jelenleg kezelt feladatok többsége olyan dolgokat tartalmaz, mint a képek osztályozása, a nyelvek fordítása, nagy mennyiségű adat kezelése az érzékelőkből és a jövőbeli értékek előrejelzése az aktuális értékek alapján. Különböző stratégiákat választhat, amelyek megfelelnek a megoldani kívánt problémának.

A jó hírek? Van egy olyan algoritmus a gépi tanulásban, amely szinte minden olyan adatot kezel, amelyet rádobhat. De egy perc múlva odaérünk.

Felügyelt vs felügyelet nélküli tanulás

A gépi tanulásban a leggyakrabban alkalmazott stratégiák közül kettő a felügyelt tanulást és a felügyelet nélküli tanulást tartalmazza.

Mi a felügyelt tanulás?

A felügyelt tanulás az, amikor gépes tanulási modellt képez felcímkézett adatok felhasználásával. Ez azt jelenti, hogy vannak olyan adatai, amelyekhez már hozzárendelték a megfelelő besorolást. A felügyelt tanulás egyik gyakori alkalmazása, hogy segítsen megjósolni az új adatok értékeit.

A felügyelt tanulás során új adatokat kell szereznie a modellekről, hogy megbizonyosodjon arról, hogy a visszajelzések továbbra is pontosak-e. A felügyelt tanulásra példa lehet az ételek képeinek címkézése. Lehet, hogy csak a pizzaképeknek szentel egy adatkészletet, hogy megtanítsa modelljének, mi a pizza.

Mi a felügyelet nélküli tanulás?

A felügyelet nélküli tanulás az, amikor egy modellt képez felirat nélküli adatokkal. Ez azt jelenti, hogy a modellnek meg kell találnia a saját jellemzőit és előrejelzéseket kell tennie az adatok osztályozása alapján.

A felügyelet nélküli tanulásra példa lehet, ha modelljének képeit különféle ételek címkéje nélkül ábrázolja. Az adatkészlet pizzáról, sült krumpliról és más ételekről tartalmazna képeket, és különböző algoritmusokat használhat arra, hogy a modell csak a pizza képeit azonosítsa címke nélkül.

Mi tehát egy algoritmus?

Amikor azt hallja, hogy az emberek gépi tanulási algoritmusokról beszélnek, ne feledje, hogy különböző matematikai egyenletekről beszélnek.

Az algoritmus csak egy testreszabható matematikai függvény. Ezért van az algoritmusok többségében olyan költségfüggvény, súlyérték és paraméterfüggvény, amelyet cserélhet az alkalmazott adatok alapján. Lényegében a gépi tanulás csak egy halom matematikai egyenlet, amelyet nagyon gyorsan meg kell oldani.

Ezért van olyan sokféle algoritmus a különféle adatok kezelésére. Az egyik algoritmus a támogatási vektor gép (SVM), és ez a cikk részletesen kitér erre.

Mi az SVM?

A támogató vektor gépek a felügyelt tanulási módszerek összessége, amelyet osztályozáshoz, regresszióhoz és kiugró értékek detektálásához használnak. Mindezek általános feladatok a gépi tanulásban.

Használhatja őket rákos sejtek detektálására képek milliói alapján, vagy pedig jól felszerelt regressziós modell segítségével megjósolhatja a jövőbeni vezetési útvonalakat.

Vannak speciális típusú SVM-ek, amelyeket bizonyos gépi tanulási problémákhoz használhat, például a támogatási vektor regresszió (SVR), amely a támogatási vektorok osztályozásának (SVC) kiterjesztése.

A legfontosabb itt tartani, hogy ezek csak matematikai egyenletek, amelyek a lehető legpontosabb választ adják a lehető leggyorsabban.

Az SVM-ek abban különböznek a többi osztályozási algoritmustól, hogy megválasztják azt a döntési határt, amely maximalizálja az összes osztály legközelebbi adatpontjától való távolságot. Az SVM-ek által létrehozott döntési határt maximális margin osztályozónak vagy maximális margin hipersíknak nevezzük.

Hogyan működik az SVM

Egy egyszerű lineáris SVM osztályozó úgy működik, hogy egyeneset alkot két osztály között. Ez azt jelenti, hogy a vonal egyik oldalán lévő összes adatpont egy kategóriát fog képviselni, és a vonal másik oldalán lévő adatpontok egy másik kategóriába kerülnek. Ez azt jelenti, hogy végtelen számú sor közül lehet választani.

Ami a lineáris SVM algoritmust jobbá teszi néhány más algoritmusnál, mint például a k-legközelebbi szomszédok, az az, hogy az adatpontok osztályozásához a legjobb sort választja. Kiválasztja azt a sort, amely elválasztja az adatokat, és a lehető legtávolabb van a szekrény adatpontjaitól.

Egy 2-D példa segít értelmezni az összes gépi tanulási szakszót. Alapvetően van néhány adatpont a rácson. Megpróbálja szétválasztani ezeket az adatpontokat azon kategóriák szerint, amelyekbe illeszkednie kell, de nem akar semmilyen adatot rossz kategóriába sorolni. Ez azt jelenti, hogy megpróbálja megtalálni a két legközelebbi pont közötti vonalat, amely elkülöníti a többi adatpontot.

Tehát a két legközelebbi adatpont megadja azokat a támogatási vektorokat, amelyekkel megtalálja ezt a vonalat. Ezt a vonalat döntési határnak nevezzük.

A döntési határnak nem feltétlenül egy vonalnak kell lennie. Hipersíkként is emlegetik, mert a döntési határt tetszőleges számú funkcióval megtalálja, nem csak kettővel.

Az SVM-ek típusai

Két különböző típusú SVM létezik, mindegyiket különböző dolgokra használják:

  • Egyszerű SVM: Általában lineáris regresszió és osztályozási problémák esetén alkalmazzák.
  • Kernel SVM: Nagyobb rugalmasságot biztosít a nemlineáris adatok számára, mivel kétdimenziós hely helyett több funkciót adhat hozzá egy hipersíkhoz.

Miért használják az SVM-eket a gépi tanulásban?

Az SVM-eket olyan alkalmazásokban használják, mint a kézírás-felismerés, a behatolás-észlelés, az arcfelismerés, az e-mail osztályozás, a génosztályozás és a weboldalakon. Ez az egyik oka annak, hogy SVM-eket használunk a gépi tanulásban. Lineáris és nem lineáris adatokon egyaránt képes kezelni a besorolást és a regressziót.

Az SVM-ek másik oka az, hogy bonyolult összefüggéseket találhatnak az adatai között anélkül, hogy sok átalakítást kellene elvégeznie önállóan. Nagyszerű lehetőség, ha kisebb, több tíz-százezer funkcióval rendelkező adatkészlettel dolgozik. Általában pontosabb eredményeket találnak más algoritmusokhoz képest, mivel képesek kezelni a kicsi, összetett adathalmazokat.

Íme néhány előnye és hátránya az SVM-ek használatának.

Előnyök

  • Hatékony több tulajdonsággal rendelkező adatkészletekre, például pénzügyi vagy orvosi adatokra.
  • Hatékony azokban az esetekben, amikor a funkciók száma nagyobb, mint az adatpontok száma.
  • Az oktatási pontok egy részhalmazát használja a döntési funkcióban, az úgynevezett támogatási vektorokban, ami memória-hatékonnyá teszi.
  • Different kernel functions can be specified for the decision function. You can use common kernels, but it's also possible to specify custom kernels.

Cons

  • If the number of features is a lot bigger than the number of data points, avoiding over-fitting when choosing kernel functions and regularization term is crucial.
  • SVMs don't directly provide probability estimates. Those are calculated using an expensive five-fold cross-validation.
  • Works best on small sample sets because of its high training time.

Since SVMs can use any number of kernels, it's important that you know about a few of them.

Kernel functions

Linear

These are commonly recommended for text classification because most of these types of classification problems are linearly separable.

The linear kernel works really well when there are a lot of features, and text classification problems have a lot of features. Linear kernel functions are faster than most of the others and you have fewer parameters to optimize.

Here's the function that defines the linear kernel:

f(X) = w^T * X + b

In this equation, w is the weight vector that you want to minimize, X is the data that you're trying to classify, and b is the linear coefficient estimated from the training data. This equation defines the decision boundary that the SVM returns.

Polynomial

The polynomial kernel isn't used in practice very often because it isn't as computationally efficient as other kernels and its predictions aren't as accurate.

Here's the function for a polynomial kernel:

f(X1, X2) = (a + X1^T * X2) ^ b

This is one of the more simple polynomial kernel equations you can use. f(X1, X2) represents the polynomial decision boundary that will separate your data. X1 and X2 represent your data.

Gaussian Radial Basis Function (RBF)

One of the most powerful and commonly used kernels in SVMs. Usually the choice for non-linear data.

Here's the equation for an RBF kernel:

f(X1, X2) = exp(-gamma * ||X1 - X2||^2)

In this equation, gamma specifies how much a single training point has on the other data points around it. ||X1 - X2|| is the dot product between your features.

Sigmoid

More useful in neural networks than in support vector machines, but there are occasional specific use cases.

Here's the function for a sigmoid kernel:

f(X, y) = tanh(alpha * X^T * y + C)

In this function, alpha is a weight vector and C is an offset value to account for some mis-classification of data that can happen.

Others

There are plenty of other kernels you can use for your project. This might be a decision to make when you need to meet certain error constraints, you want to try and speed up the training time, or you want to super tune parameters.

Some other kernels include: ANOVA radial basis, hyperbolic tangent, and Laplace RBF.

Now that you know a bit about how the kernels work under the hood, let's go through a couple of examples.

Examples with datasets

To show you how SVMs work in practice, we'll go through the process of training a model with it using the Python Scikit-learn library. This is commonly used on all kinds of machine learning problems and works well with other Python libraries.

Here are the steps regularly found in machine learning projects:

  • Import the dataset
  • Explore the data to figure out what they look like
  • Pre-process the data
  • Split the data into attributes and labels
  • Divide the data into training and testing sets
  • Train the SVM algorithm
  • Make some predictions
  • Evaluate the results of the algorithm

Some of these steps can be combined depending on how you handle your data. We'll do an example with a linear SVM and a non-linear SVM. You can find the code for these examples here.

Linear SVM Example

We'll start by importing a few libraries that will make it easy to work with most machine learning projects.

import matplotlib.pyplot as plt import numpy as np from sklearn import svm

For a simple linear example, we'll just make some dummy data and that will act in the place of importing a dataset.

# linear data X = np.array([1, 5, 1.5, 8, 1, 9, 7, 8.7, 2.3, 5.5, 7.7, 6.1]) y = np.array([2, 8, 1.8, 8, 0.6, 11, 10, 9.4, 4, 3, 8.8, 7.5])

The reason we're working with numpy arrays is to make the matrix operations faster because they use less memory than Python lists. You could also take advantage of typing the contents of the arrays. Now let's take a look at what the data look like in a plot:

# show unclassified data plt.scatter(X, y) plt.show()

Once you see what the data look like, you can take a better guess at which algorithm will work best for you. Keep in mind that this is a really simple dataset, so most of the time you'll need to do some work on your data to get it to a usable state.

We'll do a bit of pre-processing on the already structured code. This will put the raw data into a format that we can use to train the SVM model.

# shaping data for training the model training_X = np.vstack((X, y)).T training_y = [0, 1, 0, 1, 0, 1, 1, 1, 0, 0, 1, 1]

Now we can create the SVM model using a linear kernel.

# define the model clf = svm.SVC(kernel='linear', C=1.0)

That one line of code just created an entire machine learning model. Now we just have to train it with the data we pre-processed.

# train the model clf.fit(training_X, training_y)

That's how you can build a model for any machine learning project. The dataset we have might be small, but if you encounter a real-world dataset that can be classified with a linear boundary this model still works.

With your model trained, you can make predictions on how a new data point will be classified and you can make a plot of the decision boundary. Let's plot the decision boundary.

# get the weight values for the linear equation from the trained SVM model w = clf.coef_[0] # get the y-offset for the linear equation a = -w[0] / w[1] # make the x-axis space for the data points XX = np.linspace(0, 13) # get the y-values to plot the decision boundary yy = a * XX - clf.intercept_[0] / w[1] # plot the decision boundary plt.plot(XX, yy, 'k-') # show the plot visually plt.scatter(training_X[:, 0], training_X[:, 1], c=training_y) plt.legend() plt.show()

Non-Linear SVM Example

For this example, we'll use a slightly more complicated dataset to show one of the areas SVMs shine in. Let's import some packages.

import matplotlib.pyplot as plt import numpy as np from sklearn import datasets from sklearn import svm

This set of imports is similar to those in the linear example, except it imports one more thing. Now we can use a dataset directly from the Scikit-learn library.

# non-linear data circle_X, circle_y = datasets.make_circles(n_samples=300, noise=0.05)

The next step is to take a look at what this raw data looks like with a plot.

# show raw non-linear data plt.scatter(circle_X[:, 0], circle_X[:, 1], c=circle_y, marker=".") plt.show()

Now that you can see how the data are separated, we can choose a non-linear SVM to start with. This dataset doesn't need any pre-processing before we use it to train the model, so we can skip that step. Here's how the SVM model will look for this:

# make non-linear algorithm for model nonlinear_clf = svm.SVC(kernel='rbf', C=1.0)

In this case, we'll go with an RBF (Gaussian Radial Basis Function) kernel to classify this data. You could also try the polynomial kernel to see the difference between the results you get. Now it's time to train the model.

# training non-linear model nonlinear_clf.fit(circle_X, circle_y)

You can start labeling new data in the correct category based on this model. To see what the decision boundary looks like, we'll have to make a custom function to plot it.

# Plot the decision boundary for a non-linear SVM problem def plot_decision_boundary(model, ax=None): if ax is None: ax = plt.gca() xlim = ax.get_xlim() ylim = ax.get_ylim() # create grid to evaluate model x = np.linspace(xlim[0], xlim[1], 30) y = np.linspace(ylim[0], ylim[1], 30) Y, X = np.meshgrid(y, x) # shape data xy = np.vstack([X.ravel(), Y.ravel()]).T # get the decision boundary based on the model P = model.decision_function(xy).reshape(X.shape) # plot decision boundary ax.contour(X, Y, P, levels=[0], alpha=0.5, linestyles=['-'])

You have everything you need to plot the decision boundary for this non-linear data. We can do that with a few lines of code that use the Matlibplot library, just like the other plots.

# plot data and decision boundary plt.scatter(circle_X[:, 0], circle_X[:, 1], c=circle_y, s=50) plot_decision_boundary(nonlinear_clf) plt.scatter(nonlinear_clf.support_vectors_[:, 0], nonlinear_clf.support_vectors_[:, 1], s=50, lw=1, facecolors="none") plt.show()

When you have your data and you know the problem you're trying to solve, it really can be this simple.

You can change your training model completely, you can choose different algorithms and features to work with, and you can fine tune your results based on multiple parameters. There are libraries and packages for all of this now so there's not a lot of math you have to deal with.

Tips for real world problems

Real world datasets have some common issues because of how large they can be, the varying data types they hold, and how much computing power they can need to train a model.

There are a few things you should watch out for with SVMs in particular:

  • Make sure that your data are in numeric form instead of categorical form. SVMs expect numbers instead of other kinds of labels.
  • Avoid copying data as much as possible. Some Python libraries will make duplicates of your data if they aren't in a specific format. Copying data will also slow down your training time and skew the way your model assigns the weights to a specific feature.
  • Watch your kernel cache size because it uses your RAM. If you have a really large dataset, this could cause problems for your system.
  • Scale your data because SVM algorithms aren't scale invariant. That means you can convert all of your data to be within the ranges of [0, 1] or [-1, 1].

Other thoughts

You might wonder why I didn't go into the deep details of the math here. It's mainly because I don't want to scare people away from learning more about machine learning.

It's fun to learn about those long, complicated math equations and their derivations, but it's rare you'll be writing your own algorithms and writing proofs on real projects.

It's like using most of the other stuff you do every day, like your phone or your computer. You can do everything you need to do without knowing the how the processors are built.

Machine learning is like any other software engineering application. There are a ton of packages that make it easier for you to get the results you need without a deep background in statistics.

Once you get some practice with the different packages and libraries available, you'll find out that the hardest part about machine learning is getting and labeling your data.

I'm working on a neuroscience, machine learning, web-based thing! You should follow me on Twitter to learn more about it and other cool tech stuff.