使用Scikit-learn实现SVM

支持向量机（SVM）可以使用Scikit-learn应用于分类任务。用于分类的主要实现是 SVC 类（支持向量分类），它位于 sklearn.svm 模块中。

就像其他Scikit-learn估计器一样，SVC 遵循熟悉的 fit/predict 模式。我们首先实例化模型，可能会配置其超参数，然后在我们的数据上训练它，最后使用它对新的、未见过的数据点进行预测。

基本用法

让我们从一个使用默认参数的简单例子开始。我们将使用 make_blobs 生成的一些样本数据，它能创建适用于分类任务的良好聚类。请记住，SVM对特征尺度敏感，因此应用缩放（如 StandardScaler）通常是必要的预处理步骤。我们将在第4章中详细介绍预处理，但这里将应用基本缩放以进行演示。

import numpy as np
from sklearn.datasets import make_blobs
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 1. 生成样本数据
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=42, cluster_std=1.5)

# 2. 划分数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 3. 缩放特征
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test) # 在测试数据上使用 transform，而不是 fit_transform

# 4. 实例化SVC模型
# 默认值: kernel='rbf', C=1.0, gamma='scale'
svm_classifier = SVC(random_state=42)

# 5. 训练模型
svm_classifier.fit(X_train_scaled, y_train)

# 6. 进行预测
y_pred = svm_classifier.predict(X_test_scaled)

# 7. 评估模型
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确度: {accuracy:.4f}")
# 预期输出: Model Accuracy: 1.0000 (或类似，数据集易于分离)

在这个例子中，我们使用 SVC 的默认设置创建了一个实例。最主要的默认设置是 kernel='rbf'，它使用径向基函数核，这是处理非线性可分数据的常见选择。然后，我们使用缩放后的训练数据训练 (fit) 模型，并在缩放后的测试数据上进行了预测 (predict)。

选择合适的核函数

kernel 超参数决定了 SVC 如何转换数据以找到最优分离超平面。你根据对数据结构的理解来选择核函数。

• 'linear': 如果你认为数据大多是线性可分的，就使用这个。它拟合一个简单的超平面。
• 'rbf' (Radial Basis Function): 这是默认值，也是许多问题的良好起点。它可以将数据映射到无限维空间，并创建复杂、非线性的决策边界。它由 gamma 超参数控制。
• 'poly': 使用多项式函数来映射数据。多项式的次数通过 degree 超参数设置（默认是3）。
• 'sigmoid': 使用类似于神经网络中的函数。通常用于特定应用。

在创建 SVC 实例时指定核函数：

# 线性核
svm_linear = SVC(kernel='linear', random_state=42)
# svm_linear.fit(X_train_scaled, y_train) ...

# 多项式核（3次）
svm_poly = SVC(kernel='poly', degree=3, random_state=42)
# svm_poly.fit(X_train_scaled, y_train) ...

# RBF核（默认，显式显示）
svm_rbf = SVC(kernel='rbf', random_state=42)
# svm_rbf.fit(X_train_scaled, y_train) ...

让我们在样本数据上可视化由线性核和RBF核生成的决策边界。

超参数：C 和 gamma

除了核函数的选择，另外两个超参数显著影响SVM的行为：

• C (正则化参数): 这个参数控制着平滑决策边界和正确分类训练点之间的权衡。较小的 C 值会创建更宽的间隔（更简单的模型），容许更多的错误分类。较大的 C 值旨在训练数据上实现零错误分类，可能导致间隔更窄，模型更复杂，易于过拟合。可以将其视为对错误分类的惩罚。

• gamma ('rbf'、'poly'和'sigmoid'核的系数): 这个参数定义了单个训练示例的影响范围。较小的 gamma 意味着更大的影响半径，导致更平滑、更泛化的决策边界。较大的 gamma 意味着较小的影响半径，导致高度弯曲的决策边界，可能非常紧密地拟合训练数据（可能过拟合）。当 gamma 设置为 'scale'（默认值）时，它使用 $1 / (\text{特征数量} * \text{X.方差()})$，这通常是一个良好的起点。

这些超参数对调整你的SVM模型很重要，以便在你的特定数据集上获得最佳性能。

让我们看看不同的 C 值如何影响决策边界。我们将使用相同的合成数据和RBF核。

# 重新生成和缩放数据以获得一致的绘图
from sklearn.datasets import make_blobs
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
import numpy as np

X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=42, cluster_std=1.5)
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 训练不同C值的SVM
svm_low_C = SVC(kernel='rbf', C=0.1, random_state=42)
svm_low_C.fit(X_scaled, y)

svm_high_C = SVC(kernel='rbf', C=1000, random_state=42)
svm_high_C.fit(X_scaled, y)

# 生成等高线图Z值的辅助函数
def generate_z_for_plot(classifier, X_data):
    x_min, x_max = X_data[:, 0].min() - 0.5, X_data[:, 0].max() + 0.5
    y_min, y_max = X_data[:, 1].min() - 0.5, X_data[:, 1].max() + 0.5
    xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.05), np.arange(y_min, y_max, 0.05))
    Z = classifier.decision_function(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    return xx, yy, Z

xx_low_C, yy_low_C, Z_low_C = generate_z_for_plot(svm_low_C, X_scaled)
xx_high_C, yy_high_C, Z_high_C = generate_z_for_plot(svm_high_C, X_scaled)

使用RBF核函数且C值较低（C=0.1）的SVM决策边界。 请注意更宽的间隔，它允许一些错误分类以实现更好的泛化能力。

使用RBF核函数且C值较高（C=1000）的SVM决策边界。 请观察更窄的间隔，它优先考虑正确分类所有训练点。

了解支持向量

SVM的一个独特之处是它们依赖于支持向量。这些是训练集中最接近决策边界（超平面）的数据点。它们是“支持”超平面并影响其位置和方向的示例。远离间隔的点不影响超平面的定义。这使得SVM在计算上更高效，因为它们在预测时不需要考虑所有训练数据，只需考虑支持向量。

训练 SVC 模型后，你可以访问支持向量：

# 假设 svm_classifier 已被训练
print(f"每个类别的支持向量数量: {svm_classifier.n_support_}")
print(f"支持向量的索引: {svm_classifier.support_}")
print(f"支持向量（已缩放）: {svm_classifier.support_vectors_}")

多类别分类

尽管SVM的核心思想是二元分类，但 SVC 也可以处理多类别问题。Scikit-learn的 SVC 默认实现一对多 (OvR) 策略。在这种方法中，为每个类别训练一个单独的二元SVM，以对抗所有其他类别。在预测时，选择其相应二元SVM置信度分数最高的类别。

或者，你可以指定 decision_function_shape='ovo' 来使用一对一 (OvO) 策略。在这里，为每对类别训练一个二元SVM。如果你有 $N$ 个类别，这意味着要训练 $N(N-1)/2$ 个SVM。最终预测由这些成对分类器之间的多数投票决定。OvO在训练时通常计算成本更高，但有时能带来更好的准确度。

这是一个使用 make_classification 处理多类别数据的例子：

from sklearn.datasets import make_classification

# 生成多类别数据
X_multi, y_multi = make_classification(n_samples=200, n_features=2, n_redundant=0,
                                       n_informative=2, n_clusters_per_class=1,
                                       n_classes=3, random_state=42)

# 缩放特征
scaler_multi = StandardScaler()
X_multi_scaled = scaler_multi.fit_transform(X_multi)

# 使用OvR策略（默认）训练SVC
svm_multi_ovr = SVC(kernel='rbf', random_state=42)
svm_multi_ovr.fit(X_multi_scaled, y_multi)

print("\n多类别SVM（OvR策略）已训练。")

可视化多类别决策边界比二元决策边界更复杂，但仍能对模型如何在特征空间中分离不同类别提供有价值的理解。

总结

Scikit-learn的 SVC 为在分类任务中实现支持向量机提供了一种强大且灵活的方式。通过理解并适当调整其 kernel、C 和 gamma 超参数，你可以有效地构建出对未见过数据具有良好泛化能力的模型，即使对于非线性可分问题也是如此。请记住，适当的特征缩放通常是SVM获得最佳性能的重要前提。