SMO(Sequential Minimal Optimization) 伪代码(注释)
2015-12-13 21:15
387 查看
Algorithm: Simplified SMO
这个版本是简化版的,并没有采用启发式选择,但是比较容易理解。输入:
C: 调和系数
tol: 容差 (tolerance)
max passes: $\alpha$ 不改变时的最大迭代次数
$(x^{(1)}, y^{(1)}), . . . , (x^{(m)}, y^{(m)})$: 训练样本
输出:
$\alpha\in\mathbf{R}^m$: 所要求解的 Lagrange 乘子, $\alpha=(\alpha_1,\alpha_2,...,\alpha_m)$
$b\in\mathbf{R}$ : 阈值 b
采用的数学符号标准为:
1、上标表示序数(例如 $(x^{(m)},y^{(m)})$ 表示输入的第m个样本点与类别)
2、下标表示向量的分量或者维度(例如 $w_i$ 表示 w 的第 i 个分量)
伪代码中的变量说明:
num_changed_alphas: 改变的 $\alpha$ 分量的数目
m: 训练样本的数目
$\varepsilon$: 指定的精度
下面是伪代码($\alpha$ 初始值都为0,b 初始值也为0)
◦ 初始化 $\alpha_i = 0, i=1 \ldots m, b = 0$
◦ 初始化 passes = 0, max_passes=20
◦ 初始化 $\varepsilon = 10^{-5}$
◦ $while$ (passes < max_passes)
◦ num_changed_alphas = 0
◦ $for$ $i = 1 \ldots m$,
◦ 计算 $E_i = f(x^{(i)}) − y^{(i)}$, 公式为:$$ \begin{align*} f(x^{(i)}) &=\sum_{k=1}^{m}\alpha_k y^{(k)}\langle x^{(k)},x^{(i)} \rangle \\ E_i &= \sum_{k=1}^{m}\alpha_k y^{(k)}\langle x^{(k)},x^{(i)} \rangle-y^{(i)} \end{align*}$$
◦ $if$ $((y^{(i)}E_i < −tol$ && $\alpha_i < C)$ || $(y^{(i)}E_i > tol$ && $\alpha_i > 0))$
◦ 随机选择 $j \ne i$
◦ 计算 $E_j = f(x^{(j)}) − y^{(j)}$, 公式为:$$ \begin{align*} f(x^{(j)}) &=\sum_{k=1}^{m}\alpha_k y^{(k)}\langle x^{(k)},x^{(j)} \rangle \\ E_j &= \sum_{k=1}^{m}\alpha_k y^{(k)}\langle x^{(k)},x^{(j)} \rangle-y^{(j)} \end{align*}$$
◦ 保存旧 $\alpha$: $$\begin{align*}\alpha_i^{(old)} &= \alpha_i \\ \alpha_j^{(old)} &=\alpha_j\end{align*}$$
◦ 计算下限与上限: $L, H$, 公式为:$$\begin{cases} L=max(0,\alpha_j-\alpha_i),\; H=min(C, C+\alpha_j - \alpha_i) &if \;\; y^{(i)} \ne y^{(j)} \cr L=max(0,\alpha_j+\alpha_i-C),\; H=min(C, \alpha_j + \alpha_i) &if \;\; y^{(i)} = y^{(j)} \end{cases}$$
◦ $if \; (L == H)$
$continue$
◦ 计算 $\eta$, 公式为: $$\eta=2\langle x^{(i)},x^{(j)} \rangle - \langle x^{(i)},x^{(i)} \rangle - \langle x^{(j)},x^{(j)} \rangle$$
◦ $if$ $(\eta \ge 0)$
$continue$
◦ 计算新的 $\alpha_j$, 公式为: $$\alpha_j^{(new,unc)} := \alpha_j - \frac{y^{(j)}(E_i - E_j)}{\eta}$$
◦ 剪辑新的 $\alpha_j$, 公式为:$$\alpha_j^{(new)} := \begin{cases}H &if \;\; \alpha_j^{(new,unc)}\gt H \cr \alpha_j &if \;\; L\le\alpha_j^{(new,unc)}\le H \cr L &if \;\; \alpha_j^{(new,unc)}\lt L\end{cases}$$
◦ $if$ $(\left|\alpha_j^{(new)} − \alpha_j^{(old)} \right| \lt \varepsilon)$
$continue$
◦ 计算 $\alpha_i^{(new)}$, 公式为:$$\alpha_i^{(new)} := \alpha_i^{(old)}+y^{(i)}y^{(j)}(\alpha_j^{(old)}-\alpha_j^{(new)})$$
◦ 分别计算 $b_1$ 和 $b_2$,公式为:
$ b_1^{(new)} :=b^{(old)} - E_i - y^{(i)}(\alpha_i^{(new)} - \alpha_i^{(old)})\langle x^{(i)},x^{(i)} \rangle - y^{(j)}(\alpha_j^{(new)} - \alpha_j^{(old)})\langle x^{(i)},x^{(j)} \rangle $
$ b_2^{(new)} :=b^{(old)} - E_j - y^{(i)}(\alpha_i^{(new)} - \alpha_i^{(old)})\langle x^{(i)},x^{(j)} \rangle - y^{(j)}(\alpha_j^{(new)} - \alpha_j^{(old)})\langle x^{(j)},x^{(j)} \rangle $
◦ 计算 b,公式为:$$ b := \begin{cases} b_1 &if \;\; 0 \lt \alpha_i^{(new)} \lt C \cr b_2 &if \;\;0 \lt \alpha_j^{(new)} \lt C \cr \frac{b_1+b_2}{2} &otherwise \end{cases} $$
◦ num_changed_alphas := num_changed_alphas + 1
◦ $end$ $if$
◦ $end$ $for$
◦ $if$ (num changed alphas == 0) //此时 $\alpha$ 的每一个分量都不发生变化了,然后看外层循环(第一个变量)发生变化后的状况
passes := passes + 1
◦ $else$
passes := 0
◦ $end$ $if$
◦ $end \; while$
相关文章推荐
- GCD和NSOperationQueue的区别
- Quick StateMachine状态机
- jqeru中ui拖动插件怎么获取被拖动对象的id
- CSS3添加属性选择: [attribute*=value] 、[attribute^=value] 和[attribute$=value]
- SPOJ QTREE Query on a tree
- "XXX"不扩展类"System.Web.UI.Page",因此此处不允许
- Arduino字符串类的玄机
- js bool true false 真假比较
- UIView
- Servlet之Request&Response的编码问题
- ContentValues(Java)
- LeetCode 232:Implement Queue using Stacks
- 关于ueditor 1.4.3 上传小于1M图片时不压缩的bug修正
- IPad专有API UISplitViewController开发菜单浏览demo
- Cannot convert value of type [com.sun.proxy.$Proxy11 implementing com.xuyp.managize.service.IBaseSer
- org.hibernate.NonUniqueResultException: query did not return a unique result: 2
- ueditor1.4.3jsp版成功上传图片后却回显不出来与在线管理显示不出图片的解决方案
- java中PriorityQueue优先级队列的使用
- UITableView基础
- StringBuilder源码分析