source: branches/peters_vector/lib/classifier/SVM.cc @ 469

Last change on this file since 469 was 469, checked in by Peter, 16 years ago

non compiling checking before revision after design meeting

  • Property svn:eol-style set to native
  • Property svn:keywords set to Author Date Id Revision
File size: 8.6 KB
Line 
1// $Id: SVM.cc 469 2005-12-19 14:58:29Z peter $
2
3
4#include <c++_tools/classifier/SVM.h>
5
6#include <c++_tools/classifier/KernelView.h>
7#include <c++_tools/gslapi/matrix.h>
8#include <c++_tools/gslapi/vector.h>
9#include <c++_tools/statistics/Averager.h>
10#include <c++_tools/random/random.h>
11
12#include <algorithm>
13#include <cassert>
14#include <cmath>
15#include <limits>
16#include <utility>
17#include <vector>
18
19
20namespace theplu {
21namespace classifier { 
22
23  Index::Index(void)
24    : nof_sv_(0), vec_(std::vector<size_t>(0))
25  {
26  }
27
28  Index::Index(const size_t n)
29    : nof_sv_(0), vec_(std::vector<size_t>(n))
30  {
31    for (size_t i=0; i<vec_.size(); i++)
32      vec_[i]=i;
33  }
34
35  void Index::init(const gslapi::vector& alpha, const double tol)
36  {
37    nof_sv_=0;
38    size_t nof_nsv=0;
39    for (size_t i=0; i<alpha.size(); i++) 
40      if (alpha(i)<tol){
41        nof_nsv++;
42        vec_[vec_.size()-nof_nsv]=i;
43      }
44      else{
45        vec_[nof_sv_]=i;
46        nof_sv_++;
47      }
48    assert(nof_sv_+nof_nsv==vec_.size());
49
50  }
51
52  void Index::sv_first(void)
53  {
54    // if already sv, do nothing
55    if (index_first_<nof_sv())
56      return;
57
58    // swap elements
59    if(index_second_==nof_sv_){
60      index_second_=index_first_;
61    }
62    vec_[index_first_]=vec_[nof_sv_];
63    vec_[nof_sv_]=value_first_;
64    index_first_ = nof_sv_;
65
66    nof_sv_++;
67
68  }
69
70  void Index::sv_second(void)
71  {
72    // if already sv, do nothing
73    if (index_second_<nof_sv())
74      return;
75
76    // swap elements
77    if(index_first_==nof_sv_){
78      index_first_=index_second_;
79    }
80
81    vec_[index_second_]=vec_[nof_sv_];
82    vec_[nof_sv_]=value_second_;
83    index_second_=nof_sv_;
84
85    nof_sv_++;
86  }
87
88  void Index::nsv_first(void)
89  {
90    // if already nsv, do nothing
91    if ( !(index_first_<nof_sv()) )
92      return;
93   
94    if(index_second_==nof_sv_-1)
95      index_second_=index_first_;
96    vec_[index_first_]=vec_[nof_sv_-1];
97    vec_[nof_sv_-1]=value_first_;
98    index_first_=nof_sv_-1;
99   
100    nof_sv_--;
101  }
102
103  void Index::nsv_second(void)
104  {
105    // if already nsv, do nothing
106    if ( !(index_second_<nof_sv()) )
107      return;
108
109    if(index_first_==nof_sv_-1)
110      index_first_=index_second_;
111    vec_[index_second_]=vec_[nof_sv_-1];
112    vec_[nof_sv_-1]=value_second_;
113    index_second_ = nof_sv_-1;
114   
115    nof_sv_--;
116  }
117
118
119  void Index::shuffle(void)
120  {
121    random::DiscreteUniform a;
122    random_shuffle(vec_.begin()+nof_sv_, vec_.end(), a); 
123  }
124
125  void Index::update_first(const size_t i)
126  {
127    assert(i<n());
128    index_first_=i;
129    value_first_=vec_[i];
130  }
131
132  void Index::update_second(const size_t i)
133  {
134    assert(i<n());
135    index_second_=i;
136    value_second_=vec_[i];
137  }
138
139  SVM::SVM(const KernelView& kernel, const Target& target)
140  : alpha_(target.size(),0),
141    bias_(0),
142    C_inverse_(0),
143    kernel_(kernel),
144    max_epochs_(10000000),
145    output_(target.size(),0),
146    sample_(target.size()),
147    target_(target),
148    trained_(false),
149    tolerance_(0.00000001)
150  {
151  }
152
153  bool SVM::train(void) 
154  {
155    // initializing variables for optimization
156    assert(target_.size()==kernel_.rows());
157    assert(target_.size()==alpha_.size());
158
159    sample_.init(alpha_,tolerance_);
160    gslapi::vector  E(target_.size());
161    for (size_t i=0; i<E.size(); i++) {
162      E(i)=0;
163      for (size_t j=0; j<E.size(); j++) 
164        E(i) += kernel_mod(i,j)*target_(j)*alpha_(j);
165      E(i)=E(i)-target_(i);
166    }
167    assert(target_.size()==E.size());
168    assert(target_.size()==sample_.n());
169
170    unsigned long int epochs = 0;
171    double alpha_new2;
172    double alpha_new1;
173    double u;
174    double v;
175
176    // Training loop
177    while(choose(E)) {
178      bounds(u,v);       
179      double k = ( kernel_mod(sample_.value_first(), sample_.value_first()) + 
180                   kernel_mod(sample_.value_second(), sample_.value_second()) - 
181                   2*kernel_mod(sample_.value_first(), sample_.value_second()));
182     
183      double alpha_old1=alpha_(sample_.value_first());
184      double alpha_old2=alpha_(sample_.value_second());
185
186      alpha_new2 = ( alpha_(sample_.value_second()) + 
187                     target_(sample_.value_second())*
188                     ( E(sample_.value_first())-E(sample_.value_second()) )/k );
189     
190      if (alpha_new2 > v)
191        alpha_new2 = v;
192      else if (alpha_new2<u)
193        alpha_new2 = u;
194     
195     
196      // Updating the alphas
197      // if alpha is 'zero' make the sample a non-support vector
198      if (alpha_new2 < tolerance_){
199        sample_.nsv_second();
200      }
201      else{
202        sample_.sv_second();
203      }
204     
205     
206      alpha_new1 = (alpha_(sample_.value_first()) + 
207                    (target_(sample_.value_first()) * 
208                     target_(sample_.value_second()) * 
209                     (alpha_(sample_.value_second()) - alpha_new2) ));
210           
211      // if alpha is 'zero' make the sample a non-support vector
212      if (alpha_new1 < tolerance_){
213        sample_.nsv_first();
214      }
215      else
216        sample_.sv_first();
217     
218      alpha_(sample_.value_first()) = alpha_new1;
219      alpha_(sample_.value_second()) = alpha_new2;
220     
221      // update E vector
222      // Peter, perhaps one should only update SVs, but what happens in choose?
223      for (size_t i=0; i<E.size(); i++) {
224        E(i)+=( kernel_mod(i,sample_.value_first())*
225                target_(sample_.value_first()) *
226                (alpha_new1-alpha_old1) );
227        E(i)+=( kernel_mod(i,sample_.value_second())*
228                target_(sample_.value_second()) *
229                (alpha_new2-alpha_old2) );
230      }
231           
232      epochs++; 
233      if (epochs>max_epochs_)
234        return false;
235    }
236   
237    trained_ = calculate_bias();
238    return trained_;
239  }
240
241
242  bool SVM::choose(const theplu::gslapi::vector& E)
243  {
244    //std::cout << "e choose\n"  ;
245    // First check for violation among SVs
246    // E should be the same for all SVs
247    // Choose that pair having largest violation/difference.
248    sample_.update_second(0);
249    sample_.update_first(0);
250    if (sample_.nof_sv()>1){
251      //std::cout << "there is SVs\n";
252      double max = E(sample_(0));
253      double min = max;
254      for (size_t i=1; i<sample_.nof_sv(); i++){ 
255        assert(alpha_(sample_(i))>tolerance_);
256        if (E(sample_(i)) > max){
257          max = E(sample_(i));
258          sample_.update_second(i);
259        }
260        else if (E(sample_(i))<min){
261          min = E(sample_(i));
262          sample_.update_first(i);
263        }
264      }
265      assert(alpha_(sample_.value_first())>tolerance_);
266      assert(alpha_(sample_.value_second())>tolerance_);
267
268     
269      if (E(sample_.value_second()) - E(sample_.value_first()) > 2*tolerance_){
270        return true;
271      }
272     
273      // If no violation check among non-support vectors
274      //std::cout << "no violation SVs\n";
275
276      sample_.shuffle();
277      //std::cout << "randomized\n";
278     
279      for (size_t i=sample_.nof_sv(); i<sample_.n();i++){
280        //std::cout << "nr: " << i << std::endl;
281        if (target_(sample_(i))==1){
282          if(E(sample_(i)) < E(sample_.value_first()) - 2*tolerance_){
283            sample_.update_second(i);
284            return true;
285          }
286        }
287        else{
288          if(E(sample_(i)) > E(sample_.value_second()) + 2*tolerance_){
289            sample_.update_first(i);
290            return true;
291          }
292        }
293      }
294    }
295
296    // if no support vectors - special case
297    else{
298      for (size_t i=0; i<sample_.n(); i++) {
299        if (target_(sample_(i))==1){
300          for (size_t j=0; j<sample_.n(); j++) {
301            if ( target_(sample_(j))==-1 && 
302                 E(sample_(i)) < E(sample_(j))+2*tolerance_ ){
303              sample_.update_first(i);
304              sample_.update_second(j);
305              return true;
306            }
307          }
308        }
309      }
310    }
311   
312    //std::cout << "Done!" << std::endl;
313    // If there is no violation then we should stop training
314    return false;
315
316  }
317 
318 
319  void SVM::bounds( double& u, double& v) const
320  {
321    if (target_(sample_.value_first())!=target_(sample_.value_second())) {
322      if (alpha_(sample_.value_second()) > alpha_(sample_.value_first())) {
323        v = std::numeric_limits<double>::max();
324        u = alpha_(sample_.value_second()) - alpha_(sample_.value_first());
325      }
326      else {
327        v = (std::numeric_limits<double>::max() - 
328             alpha_(sample_.value_first()) + 
329             alpha_(sample_.value_second()));
330        u = 0;
331      }
332    }
333    else {       
334      if (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) > 
335           std::numeric_limits<double>::max()) {
336        u = (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) - 
337              std::numeric_limits<double>::max());
338        v =  std::numeric_limits<double>::max();   
339      }
340      else {
341        u = 0;
342        v = alpha_(sample_.value_first()) + alpha_(sample_.value_second());
343      }
344    }
345  }
346 
347  bool SVM::calculate_bias(void)
348  {
349
350    // calculating output without bias
351    for (size_t i=0; i<output_.size(); i++) {
352      output_(i)=0;
353      for (size_t j=0; j<output_.size(); j++) 
354        output_(i)+=alpha_(j)*target_(j) * kernel_(i,j);
355    }
356
357    if (!sample_.nof_sv()){
358      std::cerr << "SVM::train() error: " 
359                << "Cannot calculate bias because there is no support vector" 
360                << std::endl;
361      return false;
362    }
363
364    // For samples with alpha>0, we have: target*output=1-alpha/C
365    bias_=0;
366    for (size_t i=0; i<sample_.nof_sv(); i++) 
367      bias_+= ( target_(sample_(i)) * (1-alpha_(sample_(i))*C_inverse_) - 
368                output_(sample_(i)) );
369    bias_=bias_/sample_.nof_sv();
370    for (size_t i=0; i<output_.size(); i++) 
371      output_(i) += bias_;
372     
373    return true;
374  }
375
376}} // of namespace classifier and namespace theplu
Note: See TracBrowser for help on using the repository browser.