Masalah dengan e1071 libsvm?


13

Saya memiliki dataset dengan dua kelas yang tumpang tindih, tujuh poin di setiap kelas, poin berada dalam ruang dua dimensi. Di R, dan saya menjalankan svmdari e1071paket untuk membangun hyperplane pemisah untuk kelas-kelas ini. Saya menggunakan perintah berikut:

svm(x, y, scale = FALSE, type = 'C-classification', kernel = 'linear', cost = 50000)

di mana xberisi titik data saya dan yberisi label mereka. Perintah mengembalikan svm-object, yang saya gunakan untuk menghitung parameter (vektor normal) dan b (intersep) dari hyperplane pemisah.wb

Gambar (a) di bawah ini menunjukkan poin saya dan hyperplane dikembalikan oleh svmperintah (mari kita sebut hyperplane ini yang optimal). Titik biru dengan simbol O menunjukkan ruang asal, garis putus-putus menunjukkan margin, dilingkari adalah titik-titik yang memiliki non-nol (variabel slack).ξ

Gambar (b) menunjukkan hyperplane lain, yang merupakan terjemahan paralel dari yang optimal oleh 5 (b_new = b_optimal - 5). Tidak sulit untuk melihat bahwa untuk hyperplane ini fungsi objektif (yang diminimalkan dengan C-klasifikasi SVM) akan memiliki nilai yang lebih rendah daripada untuk hyperplane optimal ditunjukkan pada gambar (a). Jadi apakah ada masalah dengan fungsi ini ? Atau apakah saya membuat kesalahan di suatu tempat?

0.5||w||2+costξi
svm

masukkan deskripsi gambar di sini

Di bawah ini adalah kode R yang saya gunakan dalam percobaan ini.

library(e1071)

get_obj_func_info <- function(w, b, c_par, x, y) {
    xi <- rep(0, nrow(x))

    for (i in 1:nrow(x)) {
        xi[i] <- 1 - as.numeric(as.character(y[i]))*(sum(w*x[i,]) + b)
        if (xi[i] < 0) xi[i] <- 0
    }

    return(list(obj_func_value = 0.5*sqrt(sum(w * w)) + c_par*sum(xi), 
                    sum_xi = sum(xi), xi = xi))
}

x <- structure(c(41.8226593092589, 56.1773406907411, 63.3546813814822, 
66.4912298720281, 72.1002963174962, 77.649309469458, 29.0963054665561, 
38.6260575252066, 44.2351239706747, 53.7648760293253, 31.5087701279719, 
24.3314294372308, 21.9189647758150, 68.9036945334439, 26.2543850639859, 
43.7456149360141, 52.4912298720281, 20.6453186185178, 45.313889181287, 
29.7830021158501, 33.0396571934088, 17.9008386892901, 42.5694092520593, 
27.4305907479407, 49.3546813814822, 40.6090664454681, 24.2940422573947, 
36.9603428065912), .Dim = c(14L, 2L))

y <- structure(c(2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L), .Label = c("-1", "1"), class = "factor")

a <- svm(x, y, scale = FALSE, type = 'C-classification', kernel = 'linear', cost = 50000)

w <- t(a$coefs) %*% a$SV;
b <- -a$rho;

obj_func_str1 <- get_obj_func_info(w, b, 50000, x, y)
obj_func_str2 <- get_obj_func_info(w, b - 5, 50000, x, y)

Apakah Anda menyetel parameter biaya?
Etienne Racine

Perhatikan bahwa tag BUGS mengacu pada inferensi Bayesian Menggunakan Gibbs Sampling, bukan masalah perangkat lunak. Saya telah menghapus tag.
Sycorax berkata Reinstate Monica

Jawaban:


5

Dalam libsvm FAQ disebutkan bahwa label yang digunakan "di dalam" algoritma dapat berbeda dari milik Anda. Ini terkadang akan membalikkan tanda "coefs" dari model.

y=[1,+1,+1,1,...]y+11

αnynwy

Lihat pertanyaan "Mengapa tanda label yang diprediksi dan nilai keputusan terkadang dibalik?" di sini .


4

Saya mengalami masalah yang sama menggunakan LIBSVM di MATLAB. Untuk mengujinya, saya membuat set data 2D yang dapat dipisah secara linear yang sangat sederhana yang kebetulan diterjemahkan sepanjang satu sumbu hingga sekitar -100. Melatih svm linier menggunakan LIBSVM menghasilkan hyperplane yang intersepnya masih tepat di sekitar nol (dan tingkat kesalahannya adalah 50%, secara alami). Membakukan data (mengurangi rata-rata) membantu, meskipun svm yang dihasilkan masih tidak berkinerja sempurna ... membingungkan. Sepertinya LIBSVM hanya memutar hyperplane tentang sumbu tanpa menerjemahkannya. Mungkin Anda harus mencoba mengurangi mean dari data Anda, tetapi tampaknya aneh bahwa LIBSVM akan berperilaku seperti ini. Mungkin kita kehilangan sesuatu.

Untuk apa nilainya, fungsi MATLAB bawaan svmtrainmenghasilkan classifier dengan akurasi 100%, tanpa standarisasi.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.