source: trunk/lib/classifier/SVM.cc @ 461

Last change on this file since 461 was 461, checked in by Peter, 16 years ago

?

  • Property svn:eol-style set to native
  • Property svn:keywords set to Author Date Id Revision
File size: 8.7 KB
Line 
1// $Id: SVM.cc 461 2005-12-16 15:34:37Z 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 <iostream>
13#include <algorithm>
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 gslapi::vector& 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    if (max_epochs_>ULONG_MAX)
152      max_epochs_=ULONG_MAX;
153  }
154
155  bool SVM::train(void) 
156  {
157    // initializing variables for optimization
158    assert(target_.size()==kernel_.rows());
159    assert(target_.size()==alpha_.size());
160
161    sample_.init(alpha_,tolerance_);
162    gslapi::vector  E(target_.size());
163    for (size_t i=0; i<E.size(); i++) {
164      E(i)=0;
165      for (size_t j=0; j<E.size(); j++) 
166        E(i) += kernel_mod(i,j)*target_(j)*alpha_(j);
167      E(i)=E(i)-target_(i);
168    }
169    assert(target_.size()==E.size());
170    assert(target_.size()==sample_.n());
171
172    unsigned long int epochs = 0;
173    double alpha_new2;
174    double alpha_new1;
175    double u;
176    double v;
177
178    // Training loop
179    while(choose(E)) {
180      bounds(u,v);       
181      double k = ( kernel_mod(sample_.value_first(), sample_.value_first()) + 
182                   kernel_mod(sample_.value_second(), sample_.value_second()) - 
183                   2*kernel_mod(sample_.value_first(), sample_.value_second()));
184     
185      double alpha_old1=alpha_(sample_.value_first());
186      double alpha_old2=alpha_(sample_.value_second());
187
188      alpha_new2 = ( alpha_(sample_.value_second()) + 
189                     target_(sample_.value_second())*
190                     ( E(sample_.value_first())-E(sample_.value_second()) )/k );
191     
192      if (alpha_new2 > v)
193        alpha_new2 = v;
194      else if (alpha_new2<u)
195        alpha_new2 = u;
196     
197     
198      // Updating the alphas
199      // if alpha is 'zero' make the sample a non-support vector
200      if (alpha_new2 < tolerance_){
201        sample_.nsv_second();
202      }
203      else{
204        sample_.sv_second();
205      }
206     
207     
208      alpha_new1 = (alpha_(sample_.value_first()) + 
209                    (target_(sample_.value_first()) * 
210                     target_(sample_.value_second()) * 
211                     (alpha_(sample_.value_second()) - alpha_new2) ));
212           
213      // if alpha is 'zero' make the sample a non-support vector
214      if (alpha_new1 < tolerance_){
215        sample_.nsv_first();
216      }
217      else
218        sample_.sv_first();
219     
220      alpha_(sample_.value_first()) = alpha_new1;
221      alpha_(sample_.value_second()) = alpha_new2;
222     
223      // update E vector
224      // Peter, perhaps one should only update SVs, but what happens in choose?
225      for (size_t i=0; i<E.size(); i++) {
226        E(i)+=( kernel_mod(i,sample_.value_first())*
227                target_(sample_.value_first()) *
228                (alpha_new1-alpha_old1) );
229        E(i)+=( kernel_mod(i,sample_.value_second())*
230                target_(sample_.value_second()) *
231                (alpha_new2-alpha_old2) );
232      }
233           
234      epochs++; 
235      if (epochs>max_epochs_)
236        return false;
237    }
238   
239    trained_ = calculate_bias();
240    return trained_;
241  }
242
243
244  bool SVM::choose(const theplu::gslapi::vector& E)
245  {
246    //std::cout << "e choose\n"  ;
247    // First check for violation among SVs
248    // E should be the same for all SVs
249    // Choose that pair having largest violation/difference.
250    sample_.update_second(0);
251    sample_.update_first(0);
252    if (sample_.nof_sv()>1){
253      //std::cout << "there is SVs\n";
254      double max = E(sample_(0));
255      double min = max;
256      for (size_t i=1; i<sample_.nof_sv(); i++){ 
257        assert(alpha_(sample_(i))>tolerance_);
258        if (E(sample_(i)) > max){
259          max = E(sample_(i));
260          sample_.update_second(i);
261        }
262        else if (E(sample_(i))<min){
263          min = E(sample_(i));
264          sample_.update_first(i);
265        }
266      }
267      assert(alpha_(sample_.value_first())>tolerance_);
268      assert(alpha_(sample_.value_second())>tolerance_);
269
270     
271      if (E(sample_.value_second()) - E(sample_.value_first()) > 2*tolerance_){
272        return true;
273      }
274     
275      // If no violation check among non-support vectors
276      //std::cout << "no violation SVs\n";
277
278      sample_.shuffle();
279      //std::cout << "randomized\n";
280     
281      for (size_t i=sample_.nof_sv(); i<sample_.n();i++){
282        //std::cout << "nr: " << i << std::endl;
283        if (target_(sample_(i))==1){
284          if(E(sample_(i)) < E(sample_.value_first()) - 2*tolerance_){
285            sample_.update_second(i);
286            return true;
287          }
288        }
289        else{
290          if(E(sample_(i)) > E(sample_.value_second()) + 2*tolerance_){
291            sample_.update_first(i);
292            return true;
293          }
294        }
295      }
296    }
297
298    // if no support vectors - special case
299    else{
300      for (size_t i=0; i<sample_.n(); i++) {
301        if (target_(sample_(i))==1){
302          for (size_t j=0; j<sample_.n(); j++) {
303            if ( target_(sample_(j))==-1 && 
304                 E(sample_(i)) < E(sample_(j))+2*tolerance_ ){
305              sample_.update_first(i);
306              sample_.update_second(j);
307              return true;
308            }
309          }
310        }
311      }
312    }
313   
314    //std::cout << "Done!" << std::endl;
315    // If there is no violation then we should stop training
316    return false;
317
318  }
319 
320 
321  void SVM::bounds( double& u, double& v) const
322  {
323    if (target_(sample_.value_first())!=target_(sample_.value_second())) {
324      if (alpha_(sample_.value_second()) > alpha_(sample_.value_first())) {
325        v = std::numeric_limits<double>::max();
326        u = alpha_(sample_.value_second()) - alpha_(sample_.value_first());
327      }
328      else {
329        v = (std::numeric_limits<double>::max() - 
330             alpha_(sample_.value_first()) + 
331             alpha_(sample_.value_second()));
332        u = 0;
333      }
334    }
335    else {       
336      if (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) > 
337           std::numeric_limits<double>::max()) {
338        u = (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) - 
339              std::numeric_limits<double>::max());
340        v =  std::numeric_limits<double>::max();   
341      }
342      else {
343        u = 0;
344        v = alpha_(sample_.value_first()) + alpha_(sample_.value_second());
345      }
346    }
347  }
348 
349  bool SVM::calculate_bias(void)
350  {
351
352    // calculating output without bias
353    for (size_t i=0; i<output_.size(); i++) {
354      output_(i)=0;
355      for (size_t j=0; j<output_.size(); j++) 
356        output_(i)+=alpha_(j)*target_(j) * kernel_(i,j);
357    }
358
359    if (!sample_.nof_sv()){
360      std::cerr << "SVM::train() error: " 
361                << "Cannot calculate bias because there is no support vector" 
362                << std::endl;
363      return false;
364    }
365
366    // For samples with alpha>0, we have: target*output=1-alpha/C
367    bias_=0;
368    for (size_t i=0; i<sample_.nof_sv(); i++) 
369      bias_+= ( target_(sample_(i)) * (1-alpha_(sample_(i))*C_inverse_) - 
370                output_(sample_(i)) );
371    bias_=bias_/sample_.nof_sv();
372    for (size_t i=0; i<output_.size(); i++) 
373      output_(i) += bias_;
374     
375    return true;
376  }
377
378}} // of namespace classifier and namespace theplu
Note: See TracBrowser for help on using the repository browser.