大数据-10-Spark入门之支持向量机SVM分类器

简介

支持向量机SVM是一种二分类模型。它的基本模型是定义在特征空间上的间隔最大的线性分类器。支持向量机学习方法包含3种模型：线性可分支持向量机、线性支持向量机及非线性支持向量机。当训练数据线性可分时，通过硬间隔最大化，学习一个线性的分类器，即线性可分支持向量机；当训练数据近似线性可分时，通过软间隔最大化，也学习一个线性的分类器，即线性支持向量机；当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。线性支持向量机支持L1和L2的正则化变型。关于正则化，可以参见http://spark.apache.org/docs/1.6.2/mllib-linear-methods.html#regularizers

基本原理

​ 支持向量机，因其英文名为support vector machine，故一般简称SVM。SVM从线性可分情况下的最优分类面发展而来。最优分类面就是要求分类线不但能将两类正确分开(训练错误率为0)，且使分类间隔最大。SVM考虑寻找一个满足分类要求的超平面，并且使训练集中的点距离分类面尽可能的远，也就是寻找一个分类面使它两侧的空白区域(margin)最大。这两类样本中离分类面最近，且平行于最优分类面的超平面上的点，就叫做支持向量（下图中红色的点）。

![此处输入图片的描述][1]

假设超平面可描述为：

![此处输入图片的描述][2] 其分类间隔等于 ![此处输入图片的描述][3]

其学习策略是使数据间的间隔最大化，最终可转化为一个凸二次规划问题的求解。
分类器的损失函数（hinge loss铰链损失）如下所示：

![此处输入图片的描述][4]

默认情况下，线性SVM是用L2 正则化来训练的，但也支持L1正则化。在这种情况下，这个问题就变成了一个线性规划。
​ 线性SVM算法输出一个SVM模型。给定一个新的数据点，比如说

![此处输入图片的描述][5]

，这个模型就会根据

![此处输入图片的描述][6]

的值来进行预测。默认情况下，如果

![此处输入图片的描述][7]

，则输出预测结果为正（因为我们想要损失函数最小，如果预测为负，则会导致损失函数大于1），反之则预测为负。

示例代码

下面的例子具体介绍了如何读入一个数据集，然后用SVM对训练数据进行训练，然后用训练得到的模型对测试集进行预测，并计算错误率。以iris数据集（https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data）为例进行分析。iris以鸢尾花的特征作为数据来源，数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性，是在数据挖掘、数据分类中非常常用的测试集、训练集。

1. 导入需要的包：

首先，我们导入需要的包：

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.mllib.linalg.{Vectors,Vector}
import org.apache.spark.mllib.classification.{SVMModel, SVMWithSGD}
import org.apache.spark.mllib.evaluation.BinaryClassificationMetrics

2. 读取数据：

​ 首先，读取文本文件；然后，通过map将每行的数据用“,”隔开，在我们的数据集中，每行被分成了5部分，前4部分是鸢尾花的4个特征，最后一部分是鸢尾花的分类。把这里我们用LabeledPoint来存储标签列和特征列。LabeledPoint在监督学习中常用来存储标签和特征，其中要求标签的类型是double，特征的类型是Vector。所以，我们把莺尾花的分类进行了一下改变，”Iris-setosa”对应分类0，”Iris-versicolor”对应分类1，其余对应分类2；然后获取莺尾花的4个特征，存储在Vector中。

scala> val data = sc.textFile("/home/hadoop/iris.data")
data: org.apache.spark.rdd.RDD[String] = /home/hadoop/iris.data MapPartitionsRDD[1] at textFile at <console>:24

scala> val parsedData = data.map { line =>
     | val parts = line.split(',')
     | LabeledPoint(
     | if(parts(4)=="Iris-setosa") 0.toDouble 
     | else if (parts(4) =="Iris-versicolor") 1.toDouble 
     | else 2.toDouble, 
     | Vectors.dense(parts(0).toDouble,parts(1).toDouble,
     | parts(2).toDouble,parts(3).toDouble)
     | )
     | }

parsedData: org.apache.spark.rdd.RDD[org.apache.spark.mllib.regression.LabeledPoint] = MapPartitionsRDD[2] at map at <console>:31

把数据文件放到HDFS上去。

./bin/hdfs dfs -mkdir -p /home/hadoop
./bin/hdfs dfs -put iris.data /home/hadoop

3. 构建模型

因为SVM只支持2分类，所以我们要进行一下数据抽取，这里我们通过filter过滤掉第2类的数据，只选取第0类和第1类的数据。然后，我们把数据集划分成两部分，其中训练集占60%，测试集占40%：

scala> val splits = parsedData.filter { point => point.label != 2 }.randomSplit(Array(0.6, 0.4), seed = 11L)
scala> val training = splits(0).cache()
scala> val test = splits(1)
test: org.apache.spark.rdd.RDD[org.apache.spark.mllib.regression.LabeledPoint] =
 MapPartitionsRDD[5] at randomSplit at <console>:32

接下来，通过训练集构建模型SVMWithSGD。这里的SGD即著名的随机梯度下降算法（Stochastic Gradient Descent）。设置迭代次数为1000，除此之外还有stepSize（迭代步伐大小），regParam（regularization正则化控制参数），miniBatchFraction（每次迭代参与计算的样本比例），initialWeights（weight向量初始值）等参数可以进行设置。

scala> val numIterations = 1000
scala> val model = SVMWithSGD.train(training, numIterations)
2018-04-22 06:08:43 WARN  BLAS:61 - Failed to load implementation from: com.github.fommil.netlib.NativeSystemBLAS
2018-04-22 06:08:43 WARN  BLAS:61 - Failed to load implementation from: com.github.fommil.netlib.NativeRefBLAS
model: org.apache.spark.mllib.classification.SVMModel = org.apache.spark.mllib.classification.SVMModel: intercept = 0.0, numFeatures = 4, numClasses = 2, threshold = 0.0

4.模型评估

接下来，我们清除默认阈值，这样会输出原始的预测评分，即带有确信度的结果。

scala> model.clearThreshold()
scala> val scoreAndLabels = test.map { point =>
     | val score = model.predict(point.features)
     | (score, point.label)
     | }
scala> scoreAndLabels.foreach(println)
(-3.0127314882950778,0.0)
(-2.4596261094505403,0.0)
(-2.64505513159329,0.0)
(-3.503342620026854,0.0)
(-2.717199557755541,0.0)
(-2.6779191149350754,0.0)
... ... 

那如果设置了阈值，则会把大于阈值的结果当成正预测，小于阈值的结果当成负预测。

scala> model.setThreshold(0.0)
scala> scoreAndLabels.foreach(println)
(0.0,0.0)
(0.0,0.0)
(0.0,0.0)
(0.0,0.0)
(0.0,0.0)
(0.0,0.0)
... ... 

​ 最后，我们构建评估矩阵，把模型预测的准确性打印出来：

scala> val metrics = new BinaryClassificationMetrics(scoreAndLabels)
scala> val auROC = metrics.areaUnderROC()
auROC: Double = 1.0
scala> println("Area under ROC = " + auROC)
Area under ROC = 1.0

其中， SVMWithSGD.train() 方法默认的通过把正则化参数设为1来执行来范数。如果我们想配置这个算法，可以通过创建一个新的 SVMWithSGD对象然后调用他的setter方法来进行重新配置。下面这个例子，我们构建了一个正则化参数为0.1的L1正则化SVM方法 ，然后迭代这个训练算法2000次。

import org.apache.spark.mllib.optimization.L1Updater
scala> val svmAlg = new SVMWithSGD()
svmAlg: org.apache.spark.mllib.classification.SVMWithSGD = org.apache.spark.mlli
b.classification.SVMWithSGD@475774a9
 
scala> svmAlg.optimizer.
     |       setNumIterations(2000).
     |       setRegParam(0.1).
     |       setUpdater(new L1Updater)

scala> val modelL1 = svmAlg.run(training)
modelL1: org.apache.spark.mllib.classification.SVMModel = org.apache.spark.mllib
.classification.SVMModel: intercept = 0.0, numFeatures = 4, numClasses = 2, threshold = 0.0