python - 多次拟合相同的 SVM 模型后得到略有不同的 SVM 模型
问题描述
我正在做数据挖掘作业,我想通过投票应用一些集成学习。因此,我希望我可以通过一个一个地创建它们来获得多个 SVM 模型的副本,它们之间存在细微的差异,因为我可以在 RNN 模型上做同样的事情。
但是,我发现,例如,在拟合我的 SVM 30 次后,我得到了 30 个相同的模型,而在我拟合 RNN 模型后,我可以得到 30 个稍微不同的 RNN 模型。
你能建议任何方法在 SVM 中做同样的事情吗?非常感谢!
解决方案
SVM:最大边距分类器
每次都获得相同的 SVM 模型的原因是因为 SVM 是最大边距分类器,或者换句话说,它们最大化了分隔 +ve 和 -ve 类的边距。因此,无论您从哪个随机状态开始运行它,它总是最终找到与 +ve 类和 -ve 类的边距最大的超平面。
其他非最大边距分类器,例如简单的感知器,试图最小化损失,您可以将简单损失视为错误分类的数据点的数量。我们通常使用其他类型的(可微分的)损失函数,它们对应于模型预测的可信度。
例子
感知器
X = np.r_[np.random.randn(10, 2) - [2, 2], np.random.randn(10, 2) + [2, 2]]
y = [0] * 10 + [1] * 10
def plot_it(clf, X):
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1),
np.arange(y_min, y_max, 0.1))
Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.RdBu, alpha=.8)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)
plt.xticks([])
plt.yticks([])
plt.close('all')
plt.figure()
seeds = [0,10,20,30,40,50]
for i in range(1,7):
plt.subplot(2,3,i)
clf = Perceptron(random_state=seeds[i-1])
clf.fit(X,y)
plot_it(clf, X)
plt.tight_layout()
plt.show()
上图显示了感知器用不同的种子(初始化)识别的决策边界。如您所见,所有模型都正确分类了数据点,但哪个模型最好?当然,它概括了看不见的数据,这将是在决策边界周围有足够余量来覆盖看不见的数据的数据。这就是 SVM 过度救援的地方。
支持向量机
plt.close('all')
plt.figure()
seeds = [0,10,20,30,40,50]
for i in range(1,7):
plt.subplot(2,3,i)
clf = LinearSVC(random_state=seeds[i-1])
clf.fit(X,y)
plot_it(clf, X)
plt.tight_layout()
plt.show()
正如您所看到的,无论随机种子如何,SVM 总是返回相同的决策边界,即最大化边际的决策边界。
使用 RNN,您每次都会得到不同的模型,因为 RNN 不是最大边距分类器。此外,RNN 收敛标准是手动的,即我们决定何时停止训练过程,如果我们决定将其运行固定数量的 epoch,则取决于权重初始化,模型的最终权重会有所不同。
长短期记忆体
import torch
from torch import nn
from torch import optim
def plot_rnn(lstm, X):
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1),
np.arange(y_min, y_max, 0.1))
p = np.c_[xx.ravel(), yy.ravel()]
xt = torch.FloatTensor(p.reshape(-1,1,2).transpose(1, 0, 2))
s = nn.Sigmoid()
Z,_ = lstm(xt)
Z = s(Z.view(len(p)))
Z = Z.detach().numpy().reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.RdBu, alpha=.8)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)
plt.xticks([])
plt.yticks([])
def train(X, y):
batch_size = 20
input_size = 2
time_steps = 1
output_size = 1
xt = torch.FloatTensor(X.reshape(batch_size,time_steps,input_size).transpose(1, 0, 2))
yt = torch.FloatTensor(y)
lstm = nn.LSTM(input_size, output_size, 1)
s = nn.Sigmoid()
loss_function = nn.BCELoss()
optimizer = optim.SGD(lstm.parameters(), lr=0.05)
for i in range(1000):
lstm.zero_grad()
y_hat,_ = lstm(xt)
y_hat = y_hat.view(20)
y_hat = s(y_hat)
loss = loss_function(y_hat, yt)
loss.backward()
optimizer.step()
#print (loss.data)
return lstm
plt.close('all')
plt.figure()
for i in range(1,7):
plt.subplot(2,3,i)
clf = train(X,y)
plot_rnn(clf, X)
plt.tight_layout()
plt.show()
推荐阅读
- snowflake-cloud-data-platform - Snowsql.exe 可执行文件需要 23 秒才能运行 - 上传数百个文件的最佳方式?
- java - Spock inmemory 实现 mapstruct 在映射器中自动装配
- r - 如何添加y轴
- javascript - 使用基于 JSON 数据的 JavaScript 旋转风玫瑰图标
- javascript - 使画布(矩形)环绕一个带有边框半径的矩形
- kubernetes - 退出重新启动失败的容器。崩溃回退
- c - 构建动态库,并链接它所依赖的其他动态库
- javascript - 如何获取多个选择下拉值
- java - Java泛型 - 限制存储在父类参数中的子类对象
- arrays - 搜索数组并返回布尔值excel的函数