source: trunk/lib/classifier/SVM.cc @ 493

Last change on this file since 493 was 493, checked in by Peter, 16 years ago

fixed typo in tScore and added make_classifier in SVM

  • Property svn:eol-style set to native
  • Property svn:keywords set to Author Date Id Revision
File size: 8.9 KB
Line 
1// $Id: SVM.cc 493 2006-01-09 14:01:40Z peter $
2
3
4#include <c++_tools/classifier/SVM.h>
5
6#include <c++_tools/classifier/DataLookup2D.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 DataLookup2D& 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  SupervisedClassifier* SVM::make_classifier(const DataLookup2D& data, 
155                                             const Target& target) const
156  {
157    SVM* sc = new SVM(data,target);
158    //Copy those variables possible to modify from outside
159    return sc;
160  }
161
162  bool SVM::train(void) 
163  {
164    // initializing variables for optimization
165    assert(target_.size()==kernel_.rows());
166    assert(target_.size()==alpha_.size());
167
168    sample_.init(alpha_,tolerance_);
169    gslapi::vector  E(target_.size());
170    for (size_t i=0; i<E.size(); i++) {
171      E(i)=0;
172      for (size_t j=0; j<E.size(); j++) 
173        E(i) += kernel_mod(i,j)*target_(j)*alpha_(j);
174      E(i)=E(i)-target_(i);
175    }
176    assert(target_.size()==E.size());
177    assert(target_.size()==sample_.n());
178
179    unsigned long int epochs = 0;
180    double alpha_new2;
181    double alpha_new1;
182    double u;
183    double v;
184
185    // Training loop
186    while(choose(E)) {
187      bounds(u,v);       
188      double k = ( kernel_mod(sample_.value_first(), sample_.value_first()) + 
189                   kernel_mod(sample_.value_second(), sample_.value_second()) - 
190                   2*kernel_mod(sample_.value_first(), sample_.value_second()));
191     
192      double alpha_old1=alpha_(sample_.value_first());
193      double alpha_old2=alpha_(sample_.value_second());
194
195      alpha_new2 = ( alpha_(sample_.value_second()) + 
196                     target_(sample_.value_second())*
197                     ( E(sample_.value_first())-E(sample_.value_second()) )/k );
198     
199      if (alpha_new2 > v)
200        alpha_new2 = v;
201      else if (alpha_new2<u)
202        alpha_new2 = u;
203     
204     
205      // Updating the alphas
206      // if alpha is 'zero' make the sample a non-support vector
207      if (alpha_new2 < tolerance_){
208        sample_.nsv_second();
209      }
210      else{
211        sample_.sv_second();
212      }
213     
214     
215      alpha_new1 = (alpha_(sample_.value_first()) + 
216                    (target_(sample_.value_first()) * 
217                     target_(sample_.value_second()) * 
218                     (alpha_(sample_.value_second()) - alpha_new2) ));
219           
220      // if alpha is 'zero' make the sample a non-support vector
221      if (alpha_new1 < tolerance_){
222        sample_.nsv_first();
223      }
224      else
225        sample_.sv_first();
226     
227      alpha_(sample_.value_first()) = alpha_new1;
228      alpha_(sample_.value_second()) = alpha_new2;
229     
230      // update E vector
231      // Peter, perhaps one should only update SVs, but what happens in choose?
232      for (size_t i=0; i<E.size(); i++) {
233        E(i)+=( kernel_mod(i,sample_.value_first())*
234                target_(sample_.value_first()) *
235                (alpha_new1-alpha_old1) );
236        E(i)+=( kernel_mod(i,sample_.value_second())*
237                target_(sample_.value_second()) *
238                (alpha_new2-alpha_old2) );
239      }
240           
241      epochs++; 
242      if (epochs>max_epochs_)
243        return false;
244    }
245   
246    trained_ = calculate_bias();
247    return trained_;
248  }
249
250
251  bool SVM::choose(const theplu::gslapi::vector& E)
252  {
253    //std::cout << "e choose\n"  ;
254    // First check for violation among SVs
255    // E should be the same for all SVs
256    // Choose that pair having largest violation/difference.
257    sample_.update_second(0);
258    sample_.update_first(0);
259    if (sample_.nof_sv()>1){
260      //std::cout << "there is SVs\n";
261      double max = E(sample_(0));
262      double min = max;
263      for (size_t i=1; i<sample_.nof_sv(); i++){ 
264        assert(alpha_(sample_(i))>tolerance_);
265        if (E(sample_(i)) > max){
266          max = E(sample_(i));
267          sample_.update_second(i);
268        }
269        else if (E(sample_(i))<min){
270          min = E(sample_(i));
271          sample_.update_first(i);
272        }
273      }
274      assert(alpha_(sample_.value_first())>tolerance_);
275      assert(alpha_(sample_.value_second())>tolerance_);
276
277     
278      if (E(sample_.value_second()) - E(sample_.value_first()) > 2*tolerance_){
279        return true;
280      }
281     
282      // If no violation check among non-support vectors
283      //std::cout << "no violation SVs\n";
284
285      sample_.shuffle();
286      //std::cout << "randomized\n";
287     
288      for (size_t i=sample_.nof_sv(); i<sample_.n();i++){
289        //std::cout << "nr: " << i << std::endl;
290        if (target_(sample_(i))==1){
291          if(E(sample_(i)) < E(sample_.value_first()) - 2*tolerance_){
292            sample_.update_second(i);
293            return true;
294          }
295        }
296        else{
297          if(E(sample_(i)) > E(sample_.value_second()) + 2*tolerance_){
298            sample_.update_first(i);
299            return true;
300          }
301        }
302      }
303    }
304
305    // if no support vectors - special case
306    else{
307      for (size_t i=0; i<sample_.n(); i++) {
308        if (target_(sample_(i))==1){
309          for (size_t j=0; j<sample_.n(); j++) {
310            if ( target_(sample_(j))==-1 && 
311                 E(sample_(i)) < E(sample_(j))+2*tolerance_ ){
312              sample_.update_first(i);
313              sample_.update_second(j);
314              return true;
315            }
316          }
317        }
318      }
319    }
320   
321    //std::cout << "Done!" << std::endl;
322    // If there is no violation then we should stop training
323    return false;
324
325  }
326 
327 
328  void SVM::bounds( double& u, double& v) const
329  {
330    if (target_(sample_.value_first())!=target_(sample_.value_second())) {
331      if (alpha_(sample_.value_second()) > alpha_(sample_.value_first())) {
332        v = std::numeric_limits<double>::max();
333        u = alpha_(sample_.value_second()) - alpha_(sample_.value_first());
334      }
335      else {
336        v = (std::numeric_limits<double>::max() - 
337             alpha_(sample_.value_first()) + 
338             alpha_(sample_.value_second()));
339        u = 0;
340      }
341    }
342    else {       
343      if (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) > 
344           std::numeric_limits<double>::max()) {
345        u = (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) - 
346              std::numeric_limits<double>::max());
347        v =  std::numeric_limits<double>::max();   
348      }
349      else {
350        u = 0;
351        v = alpha_(sample_.value_first()) + alpha_(sample_.value_second());
352      }
353    }
354  }
355 
356  bool SVM::calculate_bias(void)
357  {
358
359    // calculating output without bias
360    for (size_t i=0; i<output_.size(); i++) {
361      output_(i)=0;
362      for (size_t j=0; j<output_.size(); j++) 
363        output_(i)+=alpha_(j)*target_(j) * kernel_(i,j);
364    }
365
366    if (!sample_.nof_sv()){
367      std::cerr << "SVM::train() error: " 
368                << "Cannot calculate bias because there is no support vector" 
369                << std::endl;
370      return false;
371    }
372
373    // For samples with alpha>0, we have: target*output=1-alpha/C
374    bias_=0;
375    for (size_t i=0; i<sample_.nof_sv(); i++) 
376      bias_+= ( target_(sample_(i)) * (1-alpha_(sample_(i))*C_inverse_) - 
377                output_(sample_(i)) );
378    bias_=bias_/sample_.nof_sv();
379    for (size_t i=0; i<output_.size(); i++) 
380      output_(i) += bias_;
381     
382    return true;
383  }
384
385}} // of namespace classifier and namespace theplu
Note: See TracBrowser for help on using the repository browser.