source: trunk/yat/classifier/SVM.cc @ 1200

Last change on this file since 1200 was 1200, checked in by Peter, 14 years ago

working on #75

  • Property svn:eol-style set to native
  • Property svn:keywords set to Author Date ID
File size: 9.8 KB
Line 
1// $Id$
2
3/*
4  Copyright (C) 2004, 2005 Jari Häkkinen, Peter Johansson
5  Copyright (C) 2006 Jari Häkkinen, Markus Ringnér, Peter Johansson
6  Copyright (C) 2007 Jari Häkkinen, Peter Johansson
7
8  This file is part of the yat library, http://trac.thep.lu.se/yat
9
10  The yat library is free software; you can redistribute it and/or
11  modify it under the terms of the GNU General Public License as
12  published by the Free Software Foundation; either version 2 of the
13  License, or (at your option) any later version.
14
15  The yat library is distributed in the hope that it will be useful,
16  but WITHOUT ANY WARRANTY; without even the implied warranty of
17  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU
18  General Public License for more details.
19
20  You should have received a copy of the GNU General Public License
21  along with this program; if not, write to the Free Software
22  Foundation, Inc., 59 Temple Place - Suite 330, Boston, MA
23  02111-1307, USA.
24*/
25
26#include "SVM.h"
27#include "KernelLookup.h"
28#include "Target.h"
29#include "yat/random/random.h"
30#include "yat/statistics/Averager.h"
31#include "yat/utility/Matrix.h"
32#include "yat/utility/Vector.h"
33
34#include <algorithm>
35#include <cassert>
36#include <cctype>
37#include <cmath>
38#include <limits>
39#include <sstream>
40#include <stdexcept>
41#include <string>
42#include <utility>
43#include <vector>
44
45namespace theplu {
46namespace yat {
47namespace classifier { 
48
49  SVM::SVM(void)
50    : bias_(0),
51      C_inverse_(0),
52      kernel_(NULL),
53      margin_(0),
54      max_epochs_(100000),
55      tolerance_(0.00000001),
56      trained_(false)
57  {
58  }
59
60
61  SVM::SVM(const SVM& other)
62    : bias_(other.bias_), C_inverse_(other.C_inverse_), kernel_(other.kernel_),
63      margin_(0), max_epochs_(other.max_epochs_), tolerance_(other.tolerance_),
64      trained_(other.trained_)
65  {
66  }
67
68
69  SVM::~SVM()
70  {
71  }
72
73
74  const utility::Vector& SVM::alpha(void) const
75  {
76    return alpha_;
77  }
78
79
80  double SVM::C(void) const
81  {
82    return 1.0/C_inverse_;
83  }
84
85
86  void SVM::calculate_margin(void)
87  {
88    margin_ = 0;
89    for(size_t i = 0; i<alpha_.size(); ++i){
90      margin_ += alpha_(i)*target(i)*kernel_mod(i,i)*alpha_(i)*target(i);
91      for(size_t j = i+1; j<alpha_.size(); ++j)
92        margin_ += 2*alpha_(i)*target(i)*kernel_mod(i,j)*alpha_(j)*target(j);
93    }
94  }
95
96
97  /*
98  const DataLookup2D& SVM::data(void) const
99  {
100    return *kernel_;
101  }
102  */
103
104
105  double SVM::kernel_mod(const size_t i, const size_t j) const
106  {
107    assert(kernel_);
108    assert(i<kernel_->rows());
109    assert(i<kernel_->columns());
110    return i!=j ? (*kernel_)(i,j) : (*kernel_)(i,j) + C_inverse_;
111  }
112
113
114  SVM* SVM::make_classifier(void) const
115  {
116    SVM* svm = new SVM(*this);
117    svm->trained_ = false;
118    return svm;
119  }
120
121
122  long int SVM::max_epochs(void) const
123  {
124    return max_epochs_;
125  }
126
127
128  void SVM::max_epochs(long int n)
129  {
130    max_epochs_=n;
131  }
132
133
134  const utility::Vector& SVM::output(void) const
135  {
136    return output_;
137  }
138
139  void SVM::predict(const KernelLookup& input, utility::Matrix& prediction) const
140  {
141    assert(input.rows()==alpha_.size());
142    prediction.resize(2,input.columns(),0);
143    for (size_t i = 0; i<input.columns(); i++){
144      for (size_t j = 0; j<input.rows(); j++){
145        prediction(0,i) += target(j)*alpha_(j)*input(j,i);
146        assert(target(j));
147      }
148      prediction(0,i) = margin_ * (prediction(0,i) + bias_);
149    }
150   
151    for (size_t i = 0; i<prediction.columns(); i++)
152      prediction(1,i) = -prediction(0,i);
153  }
154
155  /*
156  double SVM::predict(const DataLookup1D& x) const
157  {
158    double y=0;
159    for (size_t i=0; i<alpha_.size(); i++)
160      y += alpha_(i)*target_(i)*kernel_->element(x,i);
161
162    return margin_*(y+bias_);
163  }
164
165  double SVM::predict(const DataLookupWeighted1D& x) const
166  {
167    double y=0;
168    for (size_t i=0; i<alpha_.size(); i++)
169      y += alpha_(i)*target_(i)*kernel_->element(x,i);
170
171    return margin_*(y+bias_);
172  }
173  */
174
175  int SVM::target(size_t i) const
176  {
177    assert(i<target_.size());
178    return target_.binary(i) ? 1 : -1;
179  }
180
181  void SVM::train(const KernelLookup& kernel, const Target& targ) 
182  {
183    kernel_ = new KernelLookup(kernel);
184    target_ = targ;
185   
186    alpha_ = utility::Vector(targ.size(), 0.0);
187    output_ = utility::Vector(targ.size(), 0.0);
188    // initializing variables for optimization
189    assert(target_.size()==kernel_->rows());
190    assert(target_.size()==alpha_.size());
191
192    sample_.init(alpha_,tolerance_);
193    utility::Vector   E(target_.size(),0);
194    for (size_t i=0; i<E.size(); i++) {
195      for (size_t j=0; j<E.size(); j++) 
196        E(i) += kernel_mod(i,j)*target(j)*alpha_(j);
197      E(i)-=target(i);
198    }
199    assert(target_.size()==E.size());
200    assert(target_.size()==sample_.size());
201
202    unsigned long int epochs = 0;
203    double alpha_new2;
204    double alpha_new1;
205    double u;
206    double v;
207
208    // Training loop
209    while(choose(E)) {
210      bounds(u,v);       
211      double k = ( kernel_mod(sample_.value_first(), sample_.value_first()) + 
212                   kernel_mod(sample_.value_second(), sample_.value_second()) - 
213                   2*kernel_mod(sample_.value_first(), sample_.value_second()));
214     
215      double alpha_old1=alpha_(sample_.value_first());
216      double alpha_old2=alpha_(sample_.value_second());
217      alpha_new2 = ( alpha_(sample_.value_second()) + 
218                     target(sample_.value_second())*
219                     ( E(sample_.value_first())-E(sample_.value_second()) )/k );
220     
221      if (alpha_new2 > v)
222        alpha_new2 = v;
223      else if (alpha_new2<u)
224        alpha_new2 = u;
225     
226      // Updating the alphas
227      // if alpha is 'zero' make the sample a non-support vector
228      if (alpha_new2 < tolerance_){
229        sample_.nsv_second();
230      }
231      else{
232        sample_.sv_second();
233      }
234     
235     
236      alpha_new1 = (alpha_(sample_.value_first()) + 
237                    (target(sample_.value_first()) * 
238                     target(sample_.value_second()) * 
239                     (alpha_(sample_.value_second()) - alpha_new2) ));
240           
241      // if alpha is 'zero' make the sample a non-support vector
242      if (alpha_new1 < tolerance_){
243        sample_.nsv_first();
244      }
245      else
246        sample_.sv_first();
247     
248      alpha_(sample_.value_first()) = alpha_new1;
249      alpha_(sample_.value_second()) = alpha_new2;
250     
251      // update E vector
252      // Peter, perhaps one should only update SVs, but what happens in choose?
253      for (size_t i=0; i<E.size(); i++) {
254        E(i)+=( kernel_mod(i,sample_.value_first())*
255                target(sample_.value_first()) *
256                (alpha_new1-alpha_old1) );
257        E(i)+=( kernel_mod(i,sample_.value_second())*
258                target(sample_.value_second()) *
259                (alpha_new2-alpha_old2) );
260      }
261           
262      epochs++; 
263      if (epochs>max_epochs_){
264        throw std::runtime_error("SVM: maximal number of epochs reached.");
265      }
266    }
267    calculate_margin();
268    calculate_bias();
269    trained_ = true;
270  }
271
272
273  bool SVM::choose(const theplu::yat::utility::Vector& E)
274  {
275    // First check for violation among SVs
276    // E should be the same for all SVs
277    // Choose that pair having largest violation/difference.
278    sample_.update_second(0);
279    sample_.update_first(0);
280    if (sample_.nof_sv()>1){
281
282      double max = E(sample_(0));
283      double min = max;
284      for (size_t i=1; i<sample_.nof_sv(); i++){ 
285        assert(alpha_(sample_(i))>tolerance_);
286        if (E(sample_(i)) > max){
287          max = E(sample_(i));
288          sample_.update_second(i);
289        }
290        else if (E(sample_(i))<min){
291          min = E(sample_(i));
292          sample_.update_first(i);
293        }
294      }
295      assert(alpha_(sample_.value_first())>tolerance_);
296      assert(alpha_(sample_.value_second())>tolerance_);
297
298      if (E(sample_.value_second()) - E(sample_.value_first()) > 2*tolerance_){
299        return true;
300      }
301     
302      // If no violation check among non-support vectors
303      sample_.shuffle();
304      for (size_t i=sample_.nof_sv(); i<sample_.size();i++){
305        if (target_.binary(sample_(i))){
306          if(E(sample_(i)) < E(sample_.value_first()) - 2*tolerance_){
307            sample_.update_second(i);
308            return true;
309          }
310        }
311        else{
312          if(E(sample_(i)) > E(sample_.value_second()) + 2*tolerance_){
313            sample_.update_first(i);
314            return true;
315          }
316        }
317      }
318    }
319
320    // if no support vectors - special case
321    else{
322      // to avoid getting stuck we shuffle
323      sample_.shuffle();
324      for (size_t i=0; i<sample_.size(); i++) {
325        if (target(sample_(i))==1){
326          for (size_t j=0; j<sample_.size(); j++) {
327            if ( target(sample_(j))==-1 && 
328                 E(sample_(i)) < E(sample_(j))+2*tolerance_ ){
329              sample_.update_first(i);
330              sample_.update_second(j);
331              return true;
332            }
333          }
334        }
335      }
336    }
337   
338    // If there is no violation then we should stop training
339    return false;
340
341  }
342 
343 
344  void SVM::bounds( double& u, double& v) const
345  {
346    if (target(sample_.value_first())!=target(sample_.value_second())) {
347      if (alpha_(sample_.value_second()) > alpha_(sample_.value_first())) {
348        v = std::numeric_limits<double>::max();
349        u = alpha_(sample_.value_second()) - alpha_(sample_.value_first());
350      }
351      else {
352        v = (std::numeric_limits<double>::max() - 
353             alpha_(sample_.value_first()) + 
354             alpha_(sample_.value_second()));
355        u = 0;
356      }
357    }
358    else {       
359      if (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) > 
360           std::numeric_limits<double>::max()) {
361        u = (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) - 
362              std::numeric_limits<double>::max());
363        v =  std::numeric_limits<double>::max();   
364      }
365      else {
366        u = 0;
367        v = alpha_(sample_.value_first()) + alpha_(sample_.value_second());
368      }
369    }
370  }
371 
372  void SVM::calculate_bias(void)
373  {
374
375    // calculating output without bias
376    for (size_t i=0; i<output_.size(); i++) {
377      output_(i)=0;
378      for (size_t j=0; j<output_.size(); j++) 
379        output_(i)+=alpha_(j)*target(j) * (*kernel_)(i,j);
380    }
381
382    if (!sample_.nof_sv()){
383      std::stringstream ss;
384      ss << "yat::classifier::SVM::train() error: " 
385         << "Cannot calculate bias because there is no support vector"; 
386      throw std::runtime_error(ss.str());
387    }
388
389    // For samples with alpha>0, we have: target*output=1-alpha/C
390    bias_=0;
391    for (size_t i=0; i<sample_.nof_sv(); i++) 
392      bias_+= ( target(sample_(i)) * (1-alpha_(sample_(i))*C_inverse_) - 
393                output_(sample_(i)) );
394    bias_=bias_/sample_.nof_sv();
395    for (size_t i=0; i<output_.size(); i++) 
396      output_(i) += bias_;
397  }
398
399  void SVM::set_C(const double C)
400  {
401    C_inverse_ = 1/C;
402  }
403
404}}} // of namespace classifier, yat, and theplu
Note: See TracBrowser for help on using the repository browser.