source: trunk/lib/svm/SVM.cc @ 330

Last change on this file since 330 was 330, checked in by Peter, 17 years ago

added an abstract base class for Kernel from which Kernel_SEV Kernel_MEV are inherited. Also added a separate class for viewing into subKernels

  • 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 330 2005-06-01 21:30:47Z peter $
2
3
4#include <c++_tools/svm/SVM.h>
5
6#include <c++_tools/svm/Kernel.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/utility/random_singleton.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 svm { 
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    utility::my_uniform_rng 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 Kernel& kernel, const gslapi::vector& target)
140           
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    if (max_epochs_>ULONG_MAX)
154      max_epochs_=ULONG_MAX;
155  }
156
157
158  bool SVM::train(void) 
159  {
160    // initializing variables for optimization
161    assert(target_.size()==kernel_->size());
162    assert(target_.size()==alpha_.size());
163
164    sample_.init(alpha_,tolerance_);
165    gslapi::vector  E(target_.size());
166    for (size_t i=0; i<E.size(); i++) {
167      E(i)=0;
168      for (size_t j=0; j<E.size(); j++) 
169        E(i) += kernel_mod(i,j)*target_(j)*alpha_(j);
170      E(i)=E(i)-target_(i);
171    }
172    assert(target_.size()==E.size());
173    assert(target_.size()==sample_.n());
174
175    unsigned long int epochs = 0;
176    double alpha_new2;
177    double alpha_new1;
178    double u;
179    double v;
180
181    // Training loop
182    while(choose(E)) {
183      bounds(u,v);       
184      double k = ( kernel_mod(sample_.value_first(), sample_.value_first()) + 
185                   kernel_mod(sample_.value_second(), sample_.value_second()) - 
186                   2*kernel_mod(sample_.value_first(), sample_.value_second()));
187     
188      double alpha_old1=alpha_(sample_.value_first());
189      double alpha_old2=alpha_(sample_.value_second());
190
191      alpha_new2 = ( alpha_(sample_.value_second()) + 
192                     target_(sample_.value_second())*
193                     ( E(sample_.value_first())-E(sample_.value_second()) )/k );
194     
195      if (alpha_new2 > v)
196        alpha_new2 = v;
197      else if (alpha_new2<u)
198        alpha_new2 = u;
199     
200     
201      // Updating the alphas
202      // if alpha is 'zero' make the sample a non-support vector
203      if (alpha_new2 < tolerance_){
204        sample_.nsv_second();
205      }
206      else{
207        sample_.sv_second();
208      }
209     
210     
211      alpha_new1 = (alpha_(sample_.value_first()) + 
212                    (target_(sample_.value_first()) * 
213                     target_(sample_.value_second()) * 
214                     (alpha_(sample_.value_second()) - alpha_new2) ));
215           
216      // if alpha is 'zero' make the sample a non-support vector
217      if (alpha_new1 < tolerance_){
218        sample_.nsv_first();
219      }
220      else
221        sample_.sv_first();
222     
223      alpha_(sample_.value_first()) = alpha_new1;
224      alpha_(sample_.value_second()) = alpha_new2;
225     
226      // update E vector
227      // Peter, perhaps one should only update SVs, but what happens in choose?
228      for (size_t i=0; i<E.size(); i++) {
229        E(i)+=( kernel_mod(i,sample_.value_first())*
230                target_(sample_.value_first()) *
231                (alpha_new1-alpha_old1) );
232        E(i)+=( kernel_mod(i,sample_.value_second())*
233                target_(sample_.value_second()) *
234                (alpha_new2-alpha_old2) );
235      }
236           
237      epochs++; 
238      if (epochs>max_epochs_)
239        return false;
240    }
241   
242    trained_ = calculate_bias();
243    return trained_;
244  }
245
246
247  bool SVM::choose(const theplu::gslapi::vector& E)
248  {
249    //std::cout << "e choose\n"  ;
250    // First check for violation among SVs
251    // E should be the same for all SVs
252    // Choose that pair having largest violation/difference.
253    sample_.update_second(0);
254    sample_.update_first(0);
255    if (sample_.nof_sv()>1){
256      //std::cout << "there is SVs\n";
257      double max = E(sample_(0));
258      double min = max;
259      for (size_t i=1; i<sample_.nof_sv(); i++){ 
260        assert(alpha_(sample_(i))>tolerance_);
261        if (E(sample_(i)) > max){
262          max = E(sample_(i));
263          sample_.update_second(i);
264        }
265        else if (E(sample_(i))<min){
266          min = E(sample_(i));
267          sample_.update_first(i);
268        }
269      }
270      assert(alpha_(sample_.value_first())>tolerance_);
271      assert(alpha_(sample_.value_second())>tolerance_);
272
273     
274      if (E(sample_.value_second()) - E(sample_.value_first()) > 2*tolerance_){
275        return true;
276      }
277     
278      // If no violation check among non-support vectors
279      //std::cout << "no violation SVs\n";
280
281      sample_.shuffle();
282      //std::cout << "randomized\n";
283     
284      for (size_t i=sample_.nof_sv(); i<sample_.n();i++){
285        //std::cout << "nr: " << i << std::endl;
286        if (target_(sample_(i))==1){
287          if(E(sample_(i)) < E(sample_.value_first()) - 2*tolerance_){
288            sample_.update_second(i);
289            return true;
290          }
291        }
292        else{
293          if(E(sample_(i)) > E(sample_.value_second()) + 2*tolerance_){
294            sample_.update_first(i);
295            return true;
296          }
297        }
298      }
299    }
300
301    // if no support vectors - special case
302    else{
303      for (size_t i=0; i<sample_.n(); i++) {
304        if (target_(sample_(i))==1){
305          for (size_t j=0; j<sample_.n(); j++) {
306            if ( target_(sample_(j))==-1 && 
307                 E(sample_(i)) < E(sample_(j))+2*tolerance_ ){
308              sample_.update_first(i);
309              sample_.update_second(j);
310              return true;
311            }
312          }
313        }
314      }
315    }
316   
317    //std::cout << "Done!" << std::endl;
318    // If there is no violation then we should stop training
319    return false;
320
321  }
322 
323 
324  void SVM::bounds( double& u, double& v) const
325  {
326    if (target_(sample_.value_first())!=target_(sample_.value_second())) {
327      if (alpha_(sample_.value_second()) > alpha_(sample_.value_first())) {
328        v = std::numeric_limits<double>::max();
329        u = alpha_(sample_.value_second()) - alpha_(sample_.value_first());
330      }
331      else {
332        v = (std::numeric_limits<double>::max() - 
333             alpha_(sample_.value_first()) + 
334             alpha_(sample_.value_second()));
335        u = 0;
336      }
337    }
338    else {       
339      if (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) > 
340           std::numeric_limits<double>::max()) {
341        u = (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) - 
342              std::numeric_limits<double>::max());
343        v =  std::numeric_limits<double>::max();   
344      }
345      else {
346        u = 0;
347        v = alpha_(sample_.value_first()) + alpha_(sample_.value_second());
348      }
349    }
350  }
351 
352  bool SVM::calculate_bias(void)
353  {
354
355    // calculating output without bias
356    for (size_t i=0; i<output_.size(); i++) {
357      output_(i)=0;
358      for (size_t j=0; j<output_.size(); j++) 
359        output_(i)+=alpha_(j)*target_(j)*(*kernel_)(i,j);
360    }
361
362    if (!sample_.nof_sv()){
363      std::cerr << "SVM::train() error: " 
364                << "Cannot calculate bias because there is no support vector" 
365                << std::endl;
366      return false;
367    }
368
369    // For samples with alpha>0, we have: target*output=1-alpha/C
370    bias_=0;
371    for (size_t i=0; i<sample_.nof_sv(); i++) 
372      bias_+= ( target_(sample_(i)) * (1-alpha_(sample_(i))*C_inverse_) - 
373                output_(sample_(i)) );
374    bias_=bias_/sample_.nof_sv();
375    for (size_t i=0; i<output_.size(); i++) 
376      output_(i) += bias_;
377     
378    return true;
379  }
380
381}} // of namespace svm and namespace theplu
Note: See TracBrowser for help on using the repository browser.