回顾

上一节,我们学习了感知机算法的基本实现。

但是,如果数据不是线性可分,即找不到一条直线能够将所有的正负样本完全分类正确,这种情况下,似乎 PLA 会永远更新迭代下去,却找不到正确的分类线。

对于线性不可分的情况,该如何使用PLA算法呢?

Pocket PLA 是什么?

首先,我们来看一下线性不可分的例子:

读取数据

实现如下:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('D:\\_data\\ai-data\\pla\\pocket-pla.csv', header=None)
# 样本输入,维度(100,2)
x = data.iloc[:,:2].values
# 样本输出,维度(100,)
y = data.iloc[:,2].values

# 可视化
plt.scatter(x[:50, 0], x[:50, 1], color='skyblue', marker='o', label='Positive')
plt.scatter(x[50:, 0], x[50:, 1], color='tomato', marker='x', label='Negative')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend(loc = 'upper left')
plt.title('Original Data')
plt.show()

其中文件内容见:

https://gitee.com/houbinbin/ai-data/blob/master/pla/data/pocket-pla.csv

效果如下图:

输入图片说明

不可分

不可分对于二维数据而言,就是我们无法找到一条直线,可以把数据一分为二且符合分类的预期。

那么我们只好退而求其次,如何找到一条直线,可以将数据一分为二,并且错误的数量降低到最小呢?

这种算法的实现就是 pocket PLA。

算法实现

数据归一化

首先和上一次一样,我们对数据进行归一化。

# 归一化
# 均值
u = np.mean(x, axis=0)
# 方差
v = np.std(x, axis=0)
x = (x - u) / v

效果如下:

输入图片说明

直接初始化

# x加上偏置项
x = np.hstack((np.ones((x.shape[0],1)), x))
# 权重初始化
w = np.random.randn(3,1)

到这里和原来的 PLA 实际上一模一样。

迭代更新

for i in range(100):
   s = np.dot(x, w)
   y_pred = np.ones_like(y)
   loc_n = np.where(s < 0)[0]
   y_pred[loc_n] = -1
   num_fault = len(np.where(y != y_pred)[0])

   if num_fault == 0:
       break
   else:
       r = np.random.choice(num_fault)        # 随机选择一个错误分类点
       t = np.where(y != y_pred)[0][r]
       w2 = w + y[t] * x[t, :].reshape((3,1))

       s = np.dot(x, w2)
       y_pred = np.ones_like(y)
       loc_n = np.where(s < 0)[0]
       y_pred[loc_n] = -1
       num_fault2 = len(np.where(y != y_pred)[0])
       if num_fault2 < num_fault:
           w = w2        # 犯的错误点更少,则更新w,否则w不变

对比下,原来的 else 实现如下:

t = np.where(y != y_pred)[0][0]
w += y[t] * x[t, :].reshape((3,1))

这里的优化点在于选择随机选择一个错误点,然后尝试进行更新。

如果发现更新之后,错误点变得更多了,那么就舍弃这次更新,否则则采纳。

绘制结果直线

# 直线第一个坐标(x1,y1)
x1 = -2
y1 = -1 / w[2] * (w[0] * 1 + w[1] * x1)
# 直线第二个坐标(x2,y2)
x2 = 2
y2 = -1 / w[2] * (w[0] * 1 + w[1] * x2)

plt.plot([x1,x2], [y1,y2],'r')

完整源码

把上面的整合在一起,结果如下:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('D:\\_data\\ai-data\\pla\\pocket-pla.csv', header=None)
# 样本输入,维度(100,2)
x = data.iloc[:,:2].values
# 样本输出,维度(100,)
y = data.iloc[:,2].values

# 归一化
# 均值
u = np.mean(x, axis=0)
# 方差
v = np.std(x, axis=0)
x = (x - u) / v

# x加上偏置项
x = np.hstack((np.ones((x.shape[0],1)), x))
# 权重初始化
w = np.random.randn(3,1)

for i in range(100):
   s = np.dot(x, w)
   y_pred = np.ones_like(y)
   loc_n = np.where(s < 0)[0]
   y_pred[loc_n] = -1
   num_fault = len(np.where(y != y_pred)[0])

   if num_fault == 0:
       break
   else:
       r = np.random.choice(num_fault)        # 随机选择一个错误分类点
       t = np.where(y != y_pred)[0][r]
       w2 = w + y[t] * x[t, :].reshape((3,1))

       s = np.dot(x, w2)
       y_pred = np.ones_like(y)
       loc_n = np.where(s < 0)[0]
       y_pred[loc_n] = -1
       num_fault2 = len(np.where(y != y_pred)[0])
       if num_fault2 < num_fault:
           w = w2        # 犯的错误点更少,则更新w,否则w不变
        
# 直线第一个坐标(x1,y1)
x1 = -2
y1 = -1 / w[2] * (w[0] * 1 + w[1] * x1)
# 直线第二个坐标(x2,y2)
x2 = 2
y2 = -1 / w[2] * (w[0] * 1 + w[1] * x2)
plt.plot([x1,x2], [y1,y2],'r')

# 可视化
plt.scatter(x[:50, 1], x[:50, 2], color='skyblue', marker='o', label='Positive')
plt.scatter(x[50:, 1], x[50:, 2], color='tomato', marker='x', label='Negative')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend(loc = 'upper left')
plt.title('Original Data')
plt.show()

效果如下图:

输入图片说明

正确率

计算方式

# 正确率
s = np.dot(x, w)
y_pred = np.ones_like(y)
loc_n = np.where(s < 0)[0]
y_pred[loc_n] = -1
accuracy = len(np.where(y == y_pred)[0]) / len(y)
print('accuracy: %.2f' % accuracy)

我们这种正确率可以达到:

accuracy: 0.85

损失函数

0-1 损失函数

从策略来说,无论是PLA还是Pocket PLA,使用的损失函数是统计误分类点的总数,即希望误分类点的总数越少越好,属于0-1损失函数「0-1 Loss Function」。

输入图片说明

但是,这样的损失函数不是参数 w 的连续可导函数。

修正函数为

w = w + yx

其他损失函数

而对于分类问题,常见的损失函数一般为交叉熵损失函数「Cross Entropy Loss」。

类似的损失函数还有很多,我们单独一篇进行讲解。

总结

相对来说,这个实现在 PLA 的基础上并没有那么难。

当然你会发现有 100 个节点,我们就循环 100 次,然后进行矩阵的乘积计算。

那么,这个性能可以优化吗?

希望本文对你有所帮助,如果喜欢,欢迎点赞收藏转发一波。

我是老马,期待与你的下次相遇。

参考资料

《统计学习方法》

通俗解释优化的线性感知机算法:Pocket PLA

Pocket_PLA 算法

常见的损失函数(loss function)总结

交叉熵损失函数原理详解

交叉熵损失函数