【监督学习】支持向量机步骤及matlab实现

（四）支持向量机

支持向量机（Support Vector Machine, SVM）是一种用于分类、回归分析以及异常检测的监督学习模型。SVM特别擅长处理高维空间的数据，并在文本和图像分类、生物信息学等领域有着广泛的应用。

核心概念：

1. 最大间隔超平面

   • 超平面：在二维空间中，超平面是一条直线；在三维空间中，是一个平面；更高维度则是超平面；
   • 最大间隔：SVM的目标是找到一个能够将不同类别的样本分开，并且使得两类之间的间隔最大化。这个间隔是由距离超平面最近的数据点（即支持向量）来定义的。

2. 支持向量

   • 支持向量：位于分类边界（决策边界或超平面）最近的数据点称为支持向量。这些点对于定义最优超平面至关重要。即使去掉其他非支持向量的数据点，也不会影响超平面的位置。

3. 核技巧（Kernel Trick）

   • 当数据不是线性可分时，可以通过使用核函数将原始特征空间映射到一个更高维度的空间，在那里数据可能变得线性可分。常用的核函数包括：
     • 线性核：适用于线性可分的数据；
     • 多项式核：可以捕捉输入变量间的非线性关系；
     • RBF（径向基函数）核：非常流行，尤其适合于复杂的非线性问题；
     • Sigmoid核：类似于神经网络中的激活函数。

4. 软间隔与硬间隔

   • 硬间隔：假设数据完全线性可分，寻找一个能够完美分离所有训练样本的超平面。
   • 软间隔：允许某些样本跨越边际甚至落在错误的一侧，通过引入松弛变量和惩罚参数C来实现。这有助于提高模型对噪声的鲁棒性和泛化能力。

1.算法步骤

1. 数据准备

   • 目标：收集与业务问题相关的结构化数据；
   • 关键操作：
     • 定义特征（如客户收入、信用历史、消费行为）和标签（如“违约/非违约”）。
     • 划分数据集为训练集（70% ~ 80%）和测试集（20% ~ 30%）。

2. 数据预处理

   • 标准化：对特征进行 Z-score 标准化，消除量纲影响：$$x_{scaled}=\frac{x-\mu }{\sigma }$$
   • 处理缺失值：删除或填充缺失数据（如用均值/中位数）；
   • 类别平衡：若标签分布不均，使用过采样（SMOTE）或欠采样。

3. 选择核函数

   • 常用核函数：
     • 线性核（linear），适用于线性可分问题，复杂度低：$$K(x_i,x_j)=x_i^T{x}_j$$
     • 高斯核（RBF），适用于非线性问题，需调节参数 $\gamma$ ：$$K(x_i,x_j)=exp(-\gamma \Vert xi-xj{\Vert }^2)$$
     • 多项式核（polynomial），适用于高阶特征交互：$$K(x_i,x_j)=(x_i^T{x}_j+c{)}^d$$

4. 求解优化问题

   • 目标函数：最大化间隔，转化为凸二次规划问题：$$\underset{w,b}{\min }\frac{1}{2}\Vert w{\Vert }^2+C\sum _{i=1}^n{\xi }_i$$$$\text{s.t. }{y}_i(w^T{x}_i+b)\ge 1-{\xi }_i,{\xi }_i\ge 0$$
     • 参数：
       • $C$ ：正则化参数，控制分类错误的惩罚力度；
       • $\gamma$（高斯核）：控制决策边界的复杂度。

5. 构建决策边界

   • 支持向量：距离决策边界最近的样本点。
   • 分类规则：$$f(x)=\mathrm{sign}\left(\sum _{i=1}^n{\alpha }_i{y}_{i}K(x_i,x)+b\right)$$

6. 模型评估

   • 分类指标：
     • 准确率（Accuracy）：模型预测正确的样本数占总样本数的比例，$Accuracy=\frac{TP+TN}{TP+FP+FN+TN}$；
     • 精确率（Precision）：正确预测为正类的样本数占所有预测为正类的样本数的比例，公式：$Accuracy=TP/(TP+FP)$。
     • 召回率（Recall）：正确预测为正类的样本数占所有实际正类样本数的比例。公式：$Recall=TP/(TP+FN)$。
     • F1分数（F1 Score）：精确率和召回率的调和平均数，用于综合评估两者的表现，公式：$F1Score=2\ast (Precision\ast Recall)/(Precision+Recall)$。
     • ROC 曲线与 AUC 值（适用于二分类）：
       • ROC 曲线是一种展示分类模型在不同阈值下的性能的图形化方法，它通过绘制真阳性率（TPR，True Positive Rate）对假阳性率（FPR，False Positive Rate）来实现；
         • $真阳性率（TPR）=\frac{TP}{TP+FN}$（也称为召回率Recall）；
         • $假阳性率（FPR）=\frac{FP}{FP+TN}$。
         • ROC 曲线展示了模型区分正负类别的能力。理想情况下，希望 TPR 尽可能高，同时保持FPR尽可能低。曲线越靠近左上角（即 TPR接近 1 而 FPR 接近 0 ） ，表示模型的性能越好。
       • AUC 指的是ROC曲线下方的面积大小，它是衡量模型区分能力的一个单一数值指标，AUC的取值范围从0到1，其中：
         • AUC = 1 表示完美的分类器；
         • AUC = 0.5 表示模型的表现与随机猜测相同；
         • AUC < 0.5 则表示模型比随机猜测还要差（这种情况通常可以通过反转预测标签来改善）。
         • AUC值越高，说明模型的平均性能越好，对于不平衡数据集来说，AUC是一个非常有用的评估标准，因为它不直接依赖于类别分布的比例。
   • 回归指标（SVR）：
     • 均方误差（MSE）：预测值与实际值之间差异的平方的平均值；
     • $R^2$ 值（决定系数）：表示模型解释变量变异的比例。

2. MATLAB 实现

银行需根据客户信息预测其贷款违约风险，特征包括：

• 年龄、月收入、信用评分、负债比（负债/收入）、历史违约次数 ；
• 标签：0（正常客户），1（高风险客户）。

%% 支持向量机（SVM）根据客户信息预测其贷款违约风险
clc; clear; close all;

%% 生成模拟数据（1000个样本）
rng(25); % 固定随机种子
num_samples = 1000;

% 特征生成
age = randi([22, 65], num_samples, 1); % 年龄：22-65岁
income = rand(num_samples, 1)*15000 + 3000; % 月收入：3000-18000
credit_score = randn(num_samples, 1)*50 + 650; % 信用评分：均值650，标准差50
debt_ratio = rand(num_samples, 1)*0.7 + 0.1; % 负债比：0.1-0.8
past_default = randi([0, 3], num_samples, 1); % 历史违约次数：0-3次

% 标签生成（违约概率与负债比、历史违约次数正相关）
default_prob = 1 ./ (1 + exp(-(0.5*debt_ratio + 0.8*past_default - 0.1*(credit_score-600)/50)));
labels = double(default_prob > 0.6); % 阈值0.6

% 合并特征矩阵
X = [age, income, credit_score, debt_ratio, past_default];
y = labels;

%% 数据标准化（Z-score）
X_scaled = zscore(X);

% 按7:3划分训练集和测试集
cv = cvpartition(y, 'HoldOut', 0.3);
X_train = X_scaled(cv.training, :);
y_train = y(cv.training, :);
X_test = X_scaled(cv.test, :);
y_test = y(cv.test, :);

%% 使用高斯核SVM，设置参数
svm_model = fitcsvm(X_train, y_train, ...
    'KernelFunction', 'RBF', ...       % 高斯核
    'BoxConstraint', 1, ...            % 正则化参数C，控制过拟合
    'KernelScale', 'auto', ...         % 自动计算核参数γ
    'Standardize', false);             % 已手动标准化数据

%% 预测测试集
[y_pred, scores] = predict(svm_model, X_test);

%% =====================================================================
%% 模型评估指标计算
% 1. 准确率 (Accuracy)
accuracy = sum(y_pred == y_test) / numel(y_test);

% 2. 混淆矩阵
conf_mat = confusionmat(y_test, y_pred);
TP = conf_mat(2,2); % 真正例 (True Positive)
FP = conf_mat(1,2); % 假正例 (False Positive)
FN = conf_mat(2,1); % 假负例 (False Negative)

% 3. 精确率 (Precision)
precision = TP / (TP + FP);

% 4. 召回率 (Recall)
recall = TP / (TP + FN);

% 5. F1-Score
f1_score = 2 * (precision * recall) / (precision + recall);

% 6. 均方误差 (MSE) —— 基于预测概率（需转换为0-1概率）
% 注意：SVM默认输出决策值，需转换为概率（MATLAB需训练后验概率模型）
svm_model = fitPosterior(svm_model); % 训练概率输出模型
[~, prob_estimates] = predict(svm_model, X_test);
mse = mean((prob_estimates(:,2) - y_test).^2); % 使用正类概率计算MSE

% 7. R²值 (基于预测概率)
ss_total = sum((y_test - mean(y_test)).^2);
ss_residual = sum((y_test - prob_estimates(:,2)).^2);
r_squared = 1 - (ss_residual / ss_total);

%% 输出结果
fprintf('=== 模型评估指标 ===\n');
fprintf('准确率: %.2f%%\n', accuracy*100);
fprintf('精确率: %.2f%%\n', precision*100);
fprintf('召回率: %.2f%%\n', recall*100);
fprintf('F1-Score: %.2f\n', f1_score);
fprintf('均方误差 (MSE): %.4f\n', mse);
fprintf('R²值: %.4f\n\n', r_squared);
disp('混淆矩阵:');
disp(conf_mat);

%% 绘制ROC曲线
figure;
[X_roc, Y_roc, ~, AUC] = perfcurve(y_test, scores(:,2), 1);
plot(X_roc, Y_roc, 'LineWidth', 2);
xlabel('假正率 (FPR)');
ylabel('真正率 (TPR)');
title(sprintf('ROC曲线 (AUC = %.2f)', AUC));
grid on;

参考资料

[1] 【数之道】支持向量机SVM是什么，八分钟直觉理解其本质_哔哩哔哩_bilibili