source: trunk/lib/classifier/SVM.cc @ 491

Last change on this file since 491 was 491, checked in by Peter, 17 years ago

made SVM inherit from SupervisedClassifer?

  • 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 491 2006-01-04 20:49:12Z peter $
2
3
4#include <c++_tools/classifier/SVM.h>
5
6#include <c++_tools/classifier/KernelLookup.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 KernelLookup& kernel, const Target& target)
140    : SupervisedClassifier(kernel,target),
141      alpha_(target.size(),0),
142      bias_(0),
143      C_inverse_(0),
144      kernel_(kernel),
145      max_epochs_(10000000),
146      output_(target.size(),0),
147      sample_(target.size()),
148      target_(target),
149      trained_(false),
150      tolerance_(0.00000001)
151  {
152  }
153
154  bool SVM::train(void) 
155  {
156    // initializing variables for optimization
157    assert(target_.size()==kernel_.rows());
158    assert(target_.size()==alpha_.size());
159
160    sample_.init(alpha_,tolerance_);
161    gslapi::vector  E(target_.size());
162    for (size_t i=0; i<E.size(); i++) {
163      E(i)=0;
164      for (size_t j=0; j<E.size(); j++) 
165        E(i) += kernel_mod(i,j)*target_(j)*alpha_(j);
166      E(i)=E(i)-target_(i);
167    }
168    assert(target_.size()==E.size());
169    assert(target_.size()==sample_.n());
170
171    unsigned long int epochs = 0;
172    double alpha_new2;
173    double alpha_new1;
174    double u;
175    double v;
176
177    // Training loop
178    while(choose(E)) {
179      bounds(u,v);       
180      double k = ( kernel_mod(sample_.value_first(), sample_.value_first()) + 
181                   kernel_mod(sample_.value_second(), sample_.value_second()) - 
182                   2*kernel_mod(sample_.value_first(), sample_.value_second()));
183     
184      double alpha_old1=alpha_(sample_.value_first());
185      double alpha_old2=alpha_(sample_.value_second());
186
187      alpha_new2 = ( alpha_(sample_.value_second()) + 
188                     target_(sample_.value_second())*
189                     ( E(sample_.value_first())-E(sample_.value_second()) )/k );
190     
191      if (alpha_new2 > v)
192        alpha_new2 = v;
193      else if (alpha_new2<u)
194        alpha_new2 = u;
195     
196     
197      // Updating the alphas
198      // if alpha is 'zero' make the sample a non-support vector
199      if (alpha_new2 < tolerance_){
200        sample_.nsv_second();
201      }
202      else{
203        sample_.sv_second();
204      }
205     
206     
207      alpha_new1 = (alpha_(sample_.value_first()) + 
208                    (target_(sample_.value_first()) * 
209                     target_(sample_.value_second()) * 
210                     (alpha_(sample_.value_second()) - alpha_new2) ));
211           
212      // if alpha is 'zero' make the sample a non-support vector
213      if (alpha_new1 < tolerance_){
214        sample_.nsv_first();
215      }
216      else
217        sample_.sv_first();
218     
219      alpha_(sample_.value_first()) = alpha_new1;
220      alpha_(sample_.value_second()) = alpha_new2;
221     
222      // update E vector
223      // Peter, perhaps one should only update SVs, but what happens in choose?
224      for (size_t i=0; i<E.size(); i++) {
225        E(i)+=( kernel_mod(i,sample_.value_first())*
226                target_(sample_.value_first()) *
227                (alpha_new1-alpha_old1) );
228        E(i)+=( kernel_mod(i,sample_.value_second())*
229                target_(sample_.value_second()) *
230                (alpha_new2-alpha_old2) );
231      }
232           
233      epochs++; 
234      if (epochs>max_epochs_)
235        return false;
236    }
237   
238    trained_ = calculate_bias();
239    return trained_;
240  }
241
242
243  bool SVM::choose(const theplu::gslapi::vector& E)
244  {
245    //std::cout << "e choose\n"  ;
246    // First check for violation among SVs
247    // E should be the same for all SVs
248    // Choose that pair having largest violation/difference.
249    sample_.update_second(0);
250    sample_.update_first(0);
251    if (sample_.nof_sv()>1){
252      //std::cout << "there is SVs\n";
253      double max = E(sample_(0));
254      double min = max;
255      for (size_t i=1; i<sample_.nof_sv(); i++){ 
256        assert(alpha_(sample_(i))>tolerance_);
257        if (E(sample_(i)) > max){
258          max = E(sample_(i));
259          sample_.update_second(i);
260        }
261        else if (E(sample_(i))<min){
262          min = E(sample_(i));
263          sample_.update_first(i);
264        }
265      }
266      assert(alpha_(sample_.value_first())>tolerance_);
267      assert(alpha_(sample_.value_second())>tolerance_);
268
269     
270      if (E(sample_.value_second()) - E(sample_.value_first()) > 2*tolerance_){
271        return true;
272      }
273     
274      // If no violation check among non-support vectors
275      //std::cout << "no violation SVs\n";
276
277      sample_.shuffle();
278      //std::cout << "randomized\n";
279     
280      for (size_t i=sample_.nof_sv(); i<sample_.n();i++){
281        //std::cout << "nr: " << i << std::endl;
282        if (target_(sample_(i))==1){
283          if(E(sample_(i)) < E(sample_.value_first()) - 2*tolerance_){
284            sample_.update_second(i);
285            return true;
286          }
287        }
288        else{
289          if(E(sample_(i)) > E(sample_.value_second()) + 2*tolerance_){
290            sample_.update_first(i);
291            return true;
292          }
293        }
294      }
295    }
296
297    // if no support vectors - special case
298    else{
299      for (size_t i=0; i<sample_.n(); i++) {
300        if (target_(sample_(i))==1){
301          for (size_t j=0; j<sample_.n(); j++) {
302            if ( target_(sample_(j))==-1 && 
303                 E(sample_(i)) < E(sample_(j))+2*tolerance_ ){
304              sample_.update_first(i);
305              sample_.update_second(j);
306              return true;
307            }
308          }
309        }
310      }
311    }
312   
313    //std::cout << "Done!" << std::endl;
314    // If there is no violation then we should stop training
315    return false;
316
317  }
318 
319 
320  void SVM::bounds( double& u, double& v) const
321  {
322    if (target_(sample_.value_first())!=target_(sample_.value_second())) {
323      if (alpha_(sample_.value_second()) > alpha_(sample_.value_first())) {
324        v = std::numeric_limits<double>::max();
325        u = alpha_(sample_.value_second()) - alpha_(sample_.value_first());
326      }
327      else {
328        v = (std::numeric_limits<double>::max() - 
329             alpha_(sample_.value_first()) + 
330             alpha_(sample_.value_second()));
331        u = 0;
332      }
333    }
334    else {       
335      if (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) > 
336           std::numeric_limits<double>::max()) {
337        u = (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) - 
338              std::numeric_limits<double>::max());
339        v =  std::numeric_limits<double>::max();   
340      }
341      else {
342        u = 0;
343        v = alpha_(sample_.value_first()) + alpha_(sample_.value_second());
344      }
345    }
346  }
347 
348  bool SVM::calculate_bias(void)
349  {
350
351    // calculating output without bias
352    for (size_t i=0; i<output_.size(); i++) {
353      output_(i)=0;
354      for (size_t j=0; j<output_.size(); j++) 
355        output_(i)+=alpha_(j)*target_(j) * kernel_(i,j);
356    }
357
358    if (!sample_.nof_sv()){
359      std::cerr << "SVM::train() error: " 
360                << "Cannot calculate bias because there is no support vector" 
361                << std::endl;
362      return false;
363    }
364
365    // For samples with alpha>0, we have: target*output=1-alpha/C
366    bias_=0;
367    for (size_t i=0; i<sample_.nof_sv(); i++) 
368      bias_+= ( target_(sample_(i)) * (1-alpha_(sample_(i))*C_inverse_) - 
369                output_(sample_(i)) );
370    bias_=bias_/sample_.nof_sv();
371    for (size_t i=0; i<output_.size(); i++) 
372      output_(i) += bias_;
373     
374    return true;
375  }
376
377}} // of namespace classifier and namespace theplu
Note: See TracBrowser for help on using the repository browser.