source: trunk/yat/classifier/SVM.cc @ 720

Last change on this file since 720 was 720, checked in by Jari Häkkinen, 15 years ago

Fixes #170. Almost all inlines removed, some classes have no cc file.

  • Property svn:eol-style set to native
  • Property svn:keywords set to Author Date ID
File size: 10.5 KB
Line 
1// $Id$
2
3/*
4  Copyright (C) The authors contributing to this file.
5
6  This file is part of the yat library, http://lev.thep.lu.se/trac/yat
7
8  The yat library is free software; you can redistribute it and/or
9  modify it under the terms of the GNU General Public License as
10  published by the Free Software Foundation; either version 2 of the
11  License, or (at your option) any later version.
12
13  The yat library is distributed in the hope that it will be useful,
14  but WITHOUT ANY WARRANTY; without even the implied warranty of
15  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU
16  General Public License for more details.
17
18  You should have received a copy of the GNU General Public License
19  along with this program; if not, write to the Free Software
20  Foundation, Inc., 59 Temple Place - Suite 330, Boston, MA
21  02111-1307, USA.
22*/
23
24#include "SVM.h"
25#include "DataLookup2D.h"
26#include "yat/random/random.h"
27#include "yat/statistics/Averager.h"
28#include "yat/utility/matrix.h"
29#include "yat/utility/vector.h"
30
31#include <algorithm>
32#include <cassert>
33#include <cctype>
34#include <cmath>
35#include <limits>
36#include <utility>
37#include <vector>
38
39namespace theplu {
40namespace yat {
41namespace classifier { 
42
43  SVM::SVM(const KernelLookup& kernel, const Target& target)
44    : SupervisedClassifier(target),
45      alpha_(target.size(),0),
46      bias_(0),
47      C_inverse_(0),
48      kernel_(&kernel),
49      margin_(0),
50      max_epochs_(100000),
51      output_(target.size(),0),
52      owner_(false),
53      sample_(target.size()),
54      trained_(false),
55      tolerance_(0.00000001)
56  {
57#ifndef NDEBUG
58    assert(kernel.columns()==kernel.rows());
59    assert(kernel.columns()==alpha_.size());
60    for (size_t i=0; i<alpha_.size(); i++) 
61      for (size_t j=0; j<alpha_.size(); j++)
62        assert(kernel(i,j)==kernel(j,i));
63    for (size_t i=0; i<alpha_.size(); i++) 
64      for (size_t j=0; j<alpha_.size(); j++) 
65        assert((*kernel_)(i,j)==(*kernel_)(j,i));
66    for (size_t i = 0; i<kernel_->rows(); i++)
67      for (size_t j = 0; j<kernel_->columns(); j++)
68        if (std::isnan((*kernel_)(i,j)))
69          std::cerr << "SVM: Found nan in kernel: " << i << " " 
70                    << j << std::endl;
71#endif       
72  }
73
74  SVM::~SVM()
75  {
76    if (owner_)
77      delete kernel_;
78  }
79
80  const utility::vector& SVM::alpha(void) const
81  {
82    return alpha_;
83  }
84
85  double SVM::C(void) const
86  {
87    return 1.0/C_inverse_;
88  }
89
90  void SVM::calculate_margin(void)
91  {
92    margin_ = 0;
93    for(size_t i = 0; i<alpha_.size(); ++i){
94      margin_ += alpha_(i)*target(i)*kernel_mod(i,i)*alpha_(i)*target(i);
95      for(size_t j = i+1; j<alpha_.size(); ++j)
96        margin_ += 2*alpha_(i)*target(i)*kernel_mod(i,j)*alpha_(j)*target(j);
97    }
98  }
99
100  double SVM::kernel_mod(const size_t i, const size_t j) const
101  {
102    return i!=j ? (*kernel_)(i,j) : (*kernel_)(i,j) + C_inverse_;
103  }
104
105  SupervisedClassifier* SVM::make_classifier(const DataLookup2D& data,
106                                             const Target& target) const
107  {
108    SVM* sc=0;
109    try {
110      const KernelLookup& kernel = dynamic_cast<const KernelLookup&>(data);
111      assert(data.rows()==data.columns());
112      assert(data.columns()==target.size());
113      sc = new SVM(kernel,target);
114
115    //Copy those variables possible to modify from outside
116    // Peter, in particular C
117    }
118    catch (std::bad_cast) {
119      std::cerr << "Warning: SVM::make_classifier only takes KernelLookup" 
120                << std::endl;
121    }
122    return sc;
123  }
124
125  long int SVM::max_epochs(void) const
126  {
127    return max_epochs_;
128  }
129
130  const theplu::yat::utility::vector& SVM::output(void) const
131  {
132    return output_;
133  }
134
135  void SVM::predict(const DataLookup2D& input, utility::matrix& prediction) const
136  {
137    // Peter, should check success of dynamic_cast
138    const KernelLookup& input_kernel = dynamic_cast<const KernelLookup&>(input);
139
140    assert(input.rows()==alpha_.size());
141    prediction = utility::matrix(2,input.columns(),0);
142    for (size_t i = 0; i<input.columns(); i++){
143      for (size_t j = 0; j<input.rows(); j++){
144        prediction(0,i) += target(j)*alpha_(j)*input_kernel(j,i);
145        assert(target(j));
146      }
147      prediction(0,i) = margin_ * (prediction(0,i) + bias_);
148    }
149
150    for (size_t i = 0; i<prediction.columns(); i++)
151      prediction(1,i) = -prediction(0,i);
152   
153    assert(prediction(0,0));
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  void SVM::reset(void)
175  {
176    trained_=false;
177    alpha_=utility::vector(target_.size(), 0);
178  }
179
180  int SVM::target(size_t i) const
181  {
182    return target_.binary(i) ? 1 : -1;
183  }
184
185  bool SVM::train(void) 
186  {
187    // initializing variables for optimization
188    assert(target_.size()==kernel_->rows());
189    assert(target_.size()==alpha_.size());
190
191    sample_.init(alpha_,tolerance_);
192    utility::vector   E(target_.size(),0);
193    for (size_t i=0; i<E.size(); i++) {
194      for (size_t j=0; j<E.size(); j++) 
195        E(i) += kernel_mod(i,j)*target(j)*alpha_(j);
196      E(i)-=target(i);
197    }
198    assert(target_.size()==E.size());
199    assert(target_.size()==sample_.size());
200
201    unsigned long int epochs = 0;
202    double alpha_new2;
203    double alpha_new1;
204    double u;
205    double v;
206
207    // Training loop
208    while(choose(E)) {
209      bounds(u,v);       
210      double k = ( kernel_mod(sample_.value_first(), sample_.value_first()) + 
211                   kernel_mod(sample_.value_second(), sample_.value_second()) - 
212                   2*kernel_mod(sample_.value_first(), sample_.value_second()));
213     
214      double alpha_old1=alpha_(sample_.value_first());
215      double alpha_old2=alpha_(sample_.value_second());
216      alpha_new2 = ( alpha_(sample_.value_second()) + 
217                     target(sample_.value_second())*
218                     ( E(sample_.value_first())-E(sample_.value_second()) )/k );
219     
220      if (alpha_new2 > v)
221        alpha_new2 = v;
222      else if (alpha_new2<u)
223        alpha_new2 = u;
224     
225      // Updating the alphas
226      // if alpha is 'zero' make the sample a non-support vector
227      if (alpha_new2 < tolerance_){
228        sample_.nsv_second();
229      }
230      else{
231        sample_.sv_second();
232      }
233     
234     
235      alpha_new1 = (alpha_(sample_.value_first()) + 
236                    (target(sample_.value_first()) * 
237                     target(sample_.value_second()) * 
238                     (alpha_(sample_.value_second()) - alpha_new2) ));
239           
240      // if alpha is 'zero' make the sample a non-support vector
241      if (alpha_new1 < tolerance_){
242        sample_.nsv_first();
243      }
244      else
245        sample_.sv_first();
246     
247      alpha_(sample_.value_first()) = alpha_new1;
248      alpha_(sample_.value_second()) = alpha_new2;
249     
250      // update E vector
251      // Peter, perhaps one should only update SVs, but what happens in choose?
252      for (size_t i=0; i<E.size(); i++) {
253        E(i)+=( kernel_mod(i,sample_.value_first())*
254                target(sample_.value_first()) *
255                (alpha_new1-alpha_old1) );
256        E(i)+=( kernel_mod(i,sample_.value_second())*
257                target(sample_.value_second()) *
258                (alpha_new2-alpha_old2) );
259      }
260           
261      epochs++; 
262      if (epochs>max_epochs_){
263        std::cerr << "WARNING: SVM: maximal number of epochs reached.\n";
264        calculate_bias();
265        calculate_margin();
266        return false;
267      }
268    }
269    calculate_margin();
270    trained_ = calculate_bias();
271    return trained_;
272  }
273
274
275  bool SVM::choose(const theplu::yat::utility::vector& E)
276  {
277    // First check for violation among SVs
278    // E should be the same for all SVs
279    // Choose that pair having largest violation/difference.
280    sample_.update_second(0);
281    sample_.update_first(0);
282    if (sample_.nof_sv()>1){
283
284      double max = E(sample_(0));
285      double min = max;
286      for (size_t i=1; i<sample_.nof_sv(); i++){ 
287        assert(alpha_(sample_(i))>tolerance_);
288        if (E(sample_(i)) > max){
289          max = E(sample_(i));
290          sample_.update_second(i);
291        }
292        else if (E(sample_(i))<min){
293          min = E(sample_(i));
294          sample_.update_first(i);
295        }
296      }
297      assert(alpha_(sample_.value_first())>tolerance_);
298      assert(alpha_(sample_.value_second())>tolerance_);
299
300      if (E(sample_.value_second()) - E(sample_.value_first()) > 2*tolerance_){
301        return true;
302      }
303     
304      // If no violation check among non-support vectors
305      sample_.shuffle();
306      for (size_t i=sample_.nof_sv(); i<sample_.size();i++){
307        if (target_.binary(sample_(i))){
308          if(E(sample_(i)) < E(sample_.value_first()) - 2*tolerance_){
309            sample_.update_second(i);
310            return true;
311          }
312        }
313        else{
314          if(E(sample_(i)) > E(sample_.value_second()) + 2*tolerance_){
315            sample_.update_first(i);
316            return true;
317          }
318        }
319      }
320    }
321
322    // if no support vectors - special case
323    else{
324      // to avoid getting stuck we shuffle
325      sample_.shuffle();
326      for (size_t i=0; i<sample_.size(); i++) {
327        if (target(sample_(i))==1){
328          for (size_t j=0; j<sample_.size(); j++) {
329            if ( target(sample_(j))==-1 && 
330                 E(sample_(i)) < E(sample_(j))+2*tolerance_ ){
331              sample_.update_first(i);
332              sample_.update_second(j);
333              return true;
334            }
335          }
336        }
337      }
338    }
339   
340    // If there is no violation then we should stop training
341    return false;
342
343  }
344 
345 
346  void SVM::bounds( double& u, double& v) const
347  {
348    if (target(sample_.value_first())!=target(sample_.value_second())) {
349      if (alpha_(sample_.value_second()) > alpha_(sample_.value_first())) {
350        v = std::numeric_limits<double>::max();
351        u = alpha_(sample_.value_second()) - alpha_(sample_.value_first());
352      }
353      else {
354        v = (std::numeric_limits<double>::max() - 
355             alpha_(sample_.value_first()) + 
356             alpha_(sample_.value_second()));
357        u = 0;
358      }
359    }
360    else {       
361      if (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) > 
362           std::numeric_limits<double>::max()) {
363        u = (alpha_(sample_.value_second()) + alpha_(sample_.value_first()) - 
364              std::numeric_limits<double>::max());
365        v =  std::numeric_limits<double>::max();   
366      }
367      else {
368        u = 0;
369        v = alpha_(sample_.value_first()) + alpha_(sample_.value_second());
370      }
371    }
372  }
373 
374  bool SVM::calculate_bias(void)
375  {
376
377    // calculating output without bias
378    for (size_t i=0; i<output_.size(); i++) {
379      output_(i)=0;
380      for (size_t j=0; j<output_.size(); j++) 
381        output_(i)+=alpha_(j)*target(j) * (*kernel_)(i,j);
382    }
383
384    if (!sample_.nof_sv()){
385      std::cerr << "SVM::train() error: " 
386                << "Cannot calculate bias because there is no support vector" 
387                << std::endl;
388      return false;
389    }
390
391    // For samples with alpha>0, we have: target*output=1-alpha/C
392    bias_=0;
393    for (size_t i=0; i<sample_.nof_sv(); i++) 
394      bias_+= ( target(sample_(i)) * (1-alpha_(sample_(i))*C_inverse_) - 
395                output_(sample_(i)) );
396    bias_=bias_/sample_.nof_sv();
397    for (size_t i=0; i<output_.size(); i++) 
398      output_(i) += bias_;
399     
400    return true;
401  }
402
403  void SVM::set_C(const double C)
404  {
405    C_inverse_ = 1/C;
406  }
407
408
409}}} // of namespace classifier, yat, and theplu
Note: See TracBrowser for help on using the repository browser.