SVM编程实现python

''' 随机选择随机数，不等于J '''
def selectJrand(i,m):j=i #we want to select any J not equal to iwhile (j==i):j = int(random.uniform(0,m))  # 一直在挑选随机数j，直到不等于i，随机数的范围在0~mreturn j  # 返回挑选好的随机数''' 门限函数 '''
def clipAlpha(aj,H,L):  # 最大不能超过H，最小不能低于Lif aj > H: aj = Hif L > aj:aj = Lreturn aj''' 简化版的SMO函数 '''
def smoSimple(dataMatIn, classLabels, C, toler, maxIter):  # 输入数据，标记，常数C，容错率，最大迭代次数dataMatrix = mat(dataMatIn);   # 转换成矩阵labelMat = mat(classLabels).transpose()  # 转换成矩阵，并转置，标记成为一个列向量，每一行和数据矩阵对应m,n = shape(dataMatrix)  # 行，列 b = 0;  # 参数b的初始化alphas = mat(zeros((m,1)))  # 参数alphas是个list，初始化也是全0，大小等于样本数iter = 0  # 当前迭代次数，maxIter是最大迭代次数while (iter < maxIter):  # 当超过最大迭代次数，推出alphaPairsChanged = 0  # 标记位，记录alpha在该次循环中，有没有优化for i in range(m):  # 第i个样本fXi = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[i,:].T)) + b  # 第i样本的预测类别Ei = fXi - float(labelMat[i])#if checks if an example violates KKT conditions # 误差#是否可以继续优化if ((labelMat[i]*Ei < -toler) and (alphas[i] < C)) or ((labelMat[i]*Ei > toler) and (alphas[i] > 0)):j = selectJrand(i,m)  # 随机选择第j个样本fXj = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[j,:].T)) + b  # 样本j的预测类别Ej = fXj - float(labelMat[j])  # 误差alphaIold = alphas[i].copy();  # 拷贝，分配新的内存alphaJold = alphas[j].copy();if (labelMat[i] != labelMat[j]):L = max(0, alphas[j] - alphas[i])H = min(C, C + alphas[j] - alphas[i])