这是第三次来“复习”SVM了，第一次是使用SVM包，调用包并尝试调节参数。听闻了“流弊”SVM的算法。第二次学习理论，看了李航的《统计学习方法》以及网上的博客。看完后感觉，满满的公式。。。记不住啊。第三次，也就是这次通过python代码手动来实现SVM，才让我突然对SVM不有畏惧感。希望这里我能通过简单粗暴的文字，能让读者理解到底什么是SVM，这货的算法思想是怎么样的。看之前千万不要畏惧，说到底就是个算法，每天啃一点，总能啃完它，慢慢来还可以加深印象。
SVM是用来解决分类问题的，如果解决两个变量的分类问题，可以理解成用一条直线把点给分开，完成分类。如下：

上面这些点很明显不一样，我们从中间画一条直线就可以用来分割这些点，但是什么样的直线才是最好的呢？通俗的说，就是一条直线“最能”分割这些点，也就是上图中的直线。他是最好的一条直线，使所有的点都“尽量”远离中间那条直线。总得的来说，SVM就是为了找出一条分割的效果最好的直线。怎么样找出这条直线，就变成了一个数学问题，通过数学一步一步的推导，最后转化成程序。这里举例是二个特征的分类问题，如果有三个特征，分类线就变成了分类平面，多个特征的话就变成了超平面。从这个角度出发去看待SVM，会比较轻松。

数学解决方法大致如下：
目的是求最大分隔平面，也就是选取靠近平面最近的点，使这些点到分隔平面的距离W最大，是一个典型的凸二次规划问题。

但是上面需要求解两个参数w和b；于是为求解这个问题，把二次规划问题转换为对偶问题

这样就只需求一个参数a了，通过SMO算法求出a后，再计算出b

最后通过f(x)用做预测。

详细的数学推导，请看下面两个博客以及《统计学习方法》，这两位博主其实已经讲解的非常详细了。
http://blog.csdn.net/zouxy09/article/details/17291543
http://blog.csdn.net/v_july_v/article/details/7624837
《统计学习方法》这本书里面全是数学公式，非常“课本”，建议先看博客，有个大概印象再去看“课本”，跟着“课本”一步一步的推导。最后用python代码实现一遍，应该就可以拿下SVM了。

python代码实现可以加深对那些数学推导公式的印象，看公式的时候，可能会想，这些推导好复杂，都有些什么用啊，结果写代码的时候会发现，原来最后都用在代码里。所以写代码可以加深对SVM的理解。
下面是SVM的python代码实现，我做了详细的注释，刚开始看代码也会觉得好长好复杂，慢慢看后发现，代码就是照着SVM的数学推导，把最后的公式推导转化为代码和程序的逻辑，代码本身并不复杂。

from numpy import * 

def loadDataSet(filename): #读取数据
    dataMat=[]
    labelMat=[]
    fr=open(filename)
    for line in fr.readlines():
        lineArr=line.strip().split('\t')
        dataMat.append([float(lineArr[0]),float(lineArr[1])])
        labelMat.append(float(lineArr[2]))
    return dataMat,labelMat #返回数据特征和数据类别

def selectJrand(i,m): #在0-m中随机选择一个不是i的整数
    j=i
    while (j==i):
        j=int(random.uniform(0,m))
    return j

def clipAlpha(aj,H,L):  #保证a在L和H范围内（L <= a <= H）
    if aj>H:
        aj=H
    if L>aj:
        aj=L
    return aj

def kernelTrans(X, A, kTup): #核函数，输入参数,X:支持向量的特征树；A：某一行特征数据；kTup：('lin',k1)核函数的类型和参数
    m,n = shape(X)
    K = mat(zeros((m,1)))
    if kTup[0]=='lin': #线性函数
        K = X * A.T
    elif kTup[0]=='rbf': # 径向基函数(radial bias function)
        for j in range(m):
            deltaRow = X[j,:] - A
            K[j] = deltaRow*deltaRow.T
        K = exp(K/(-1*kTup[1]**2)) #返回生成的结果
    else:
        raise NameError('Houston We Have a Problem -- That Kernel is not recognized')
    return K


#定义类，方便存储数据
class optStruct:
    def __init__(self,dataMatIn, classLabels, C, toler, kTup):  # 存储各类参数
        self.X = dataMatIn  #数据特征
        self.labelMat = classLabels #数据类别
        self.C = C #软间隔参数C，参数越大，非线性拟合能力越强
        self.tol = toler #停止阀值
        self.m = shape(dataMatIn)[0] #数据行数
        self.alphas = mat(zeros((self.m,1)))
        self.b = 0 #初始设为0
        self.eCache = mat(zeros((self.m,2))) #缓存
        self.K = mat(zeros((self.m,self.m))) #核函数的计算结果
        for i in range(self.m):
            self.K[:,i] = kernelTrans(self.X, self.X[i,:], kTup)


def calcEk(oS, k): #计算Ek（参考《统计学习方法》p127公式7.105）
    fXk = float(multiply(oS.alphas,oS.labelMat).T*oS.K[:,k] + oS.b)
    Ek = fXk - float(oS.labelMat[k])
    return Ek

#随机选取aj，并返回其E值
def selectJ(i, oS, Ei):
    maxK = -1
    maxDeltaE = 0
    Ej = 0
    oS.eCache[i] = [1,Ei]
    validEcacheList = nonzero(oS.eCache[:,0].A)[0]  #返回矩阵中的非零位置的行数
    if (len(validEcacheList)) > 1:
        for k in validEcacheList:
            if k == i:
                continue
            Ek = calcEk(oS, k)
            deltaE = abs(Ei - Ek)
            if (deltaE > maxDeltaE): #返回步长最大的aj
                maxK = k
                maxDeltaE = deltaE
                Ej = Ek
        return maxK, Ej
    else:
        j = selectJrand(i, oS.m)
        Ej = calcEk(oS, j)
    return j, Ej


def updateEk(oS, k): #更新os数据
    Ek = calcEk(oS, k)
    oS.eCache[k] = [1,Ek]

#首先检验ai是否满足KKT条件，如果不满足，随机选择aj进行优化，更新ai,aj,b值
def innerL(i, oS): #输入参数i和所有参数数据
    Ei = calcEk(oS, i) #计算E值
    if ((oS.labelMat[i]*Ei < -oS.tol) and (oS.alphas[i] < oS.C)) or ((oS.labelMat[i]*Ei > oS.tol) and (oS.alphas[i] > 0)): #检验这行数据是否符合KKT条件 参考《统计学习方法》p128公式7.111-113
        j,Ej = selectJ(i, oS, Ei) #随机选取aj，并返回其E值
        alphaIold = oS.alphas[i].copy()
        alphaJold = oS.alphas[j].copy()
        if (oS.labelMat[i] != oS.labelMat[j]): #以下代码的公式参考《统计学习方法》p126
            L = max(0, oS.alphas[j] - oS.alphas[i])
            H = min(oS.C, oS.C + oS.alphas[j] - oS.alphas[i])
        else:
            L = max(0, oS.alphas[j] + oS.alphas[i] - oS.C)
            H = min(oS.C, oS.alphas[j] + oS.alphas[i])
        if L==H:
            print("L==H")
            return 0
        eta = 2.0 * oS.K[i,j] - oS.K[i,i] - oS.K[j,j] #参考《统计学习方法》p127公式7.107
        if eta >= 0:
            print("eta>=0")
            return 0
        oS.alphas[j] -= oS.labelMat[j]*(Ei - Ej)/eta #参考《统计学习方法》p127公式7.106
        oS.alphas[j] = clipAlpha(oS.alphas[j],H,L) #参考《统计学习方法》p127公式7.108
        updateEk(oS, j)
        if (abs(oS.alphas[j] - alphaJold) < oS.tol): #alpha变化大小阀值（自己设定）
            print("j not moving enough")
            return 0
        oS.alphas[i] += oS.labelMat[j]*oS.labelMat[i]*(alphaJold - oS.alphas[j])#参考《统计学习方法》p127公式7.109
        updateEk(oS, i) #更新数据
        #以下求解b的过程，参考《统计学习方法》p129公式7.114-7.116
        b1 = oS.b - Ei- oS.labelMat[i]*(oS.alphas[i]-alphaIold)*oS.K[i,i] - oS.labelMat[j]*(oS.alphas[j]-alphaJold)*oS.K[i,j]
        b2 = oS.b - Ej- oS.labelMat[i]*(oS.alphas[i]-alphaIold)*oS.K[i,j]- oS.labelMat[j]*(oS.alphas[j]-alphaJold)*oS.K[j,j]
        if (0 < oS.alphas[i]<oS.C):
            oS.b = b1
        elif (0 < oS.alphas[j]<oS.C):
            oS.b = b2
        else:
            oS.b = (b1 + b2)/2.0
        return 1
    else:
        return 0


#SMO函数，用于快速求解出alpha
def smoP(dataMatIn, classLabels, C, toler, maxIter,kTup=('lin', 0)): #输入参数：数据特征，数据类别，参数C，阀值toler，最大迭代次数，核函数（默认线性核）
    oS = optStruct(mat(dataMatIn),mat(classLabels).transpose(),C,toler, kTup)
    iter = 0
    entireSet = True
    alphaPairsChanged = 0
    while (iter < maxIter) and ((alphaPairsChanged > 0) or (entireSet)):
        alphaPairsChanged = 0
        if entireSet:
            for i in range(oS.m): #遍历所有数据
                alphaPairsChanged += innerL(i,oS)
                print("fullSet, iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged)) #显示第多少次迭代，那行特征数据使alpha发生了改变，这次改变了多少次alpha
            iter += 1
        else:
            nonBoundIs = nonzero((oS.alphas.A > 0) * (oS.alphas.A < C))[0]
            for i in nonBoundIs: #遍历非边界的数据
                alphaPairsChanged += innerL(i,oS)
                print("non-bound, iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged))
            iter += 1
        if entireSet:
            entireSet = False
        elif (alphaPairsChanged == 0):
            entireSet = True
        print("iteration number: %d" % iter)
    return oS.b,oS.alphas

def testRbf(data_train,data_test):
    dataArr,labelArr = loadDataSet(data_train) #读取训练数据
    b,alphas = smoP(dataArr, labelArr, 200, 0.0001, 10000, ('rbf', 1.3)) #通过SMO算法得到b和alpha
    datMat=mat(dataArr)
    labelMat = mat(labelArr).transpose()
    svInd=nonzero(alphas)[0]  #选取不为0数据的行数（也就是支持向量）
    sVs=datMat[svInd] #支持向量的特征数据
    labelSV = labelMat[svInd] #支持向量的类别（1或-1）
    print("there are %d Support Vectors" % shape(sVs)[0]) #打印出共有多少的支持向量
    m,n = shape(datMat) #训练数据的行列数
    errorCount = 0
    for i in range(m):
        kernelEval = kernelTrans(sVs,datMat[i,:],('rbf', 1.3)) #将支持向量转化为核函数
        predict=kernelEval.T * multiply(labelSV,alphas[svInd]) + b  #这一行的预测结果（代码来源于《统计学习方法》p133里面最后用于预测的公式）注意最后确定的分离平面只有那些支持向量决定。
        if sign(predict)!=sign(labelArr[i]): #sign函数 -1 if x < 0, 0 if x==0, 1 if x > 0
            errorCount += 1
    print("the training error rate is: %f" % (float(errorCount)/m)) #打印出错误率
    dataArr_test,labelArr_test = loadDataSet(data_test) #读取测试数据
    errorCount_test = 0
    datMat_test=mat(dataArr_test)
    labelMat = mat(labelArr_test).transpose()
    m,n = shape(datMat_test)
    for i in range(m): #在测试数据上检验错误率
        kernelEval = kernelTrans(sVs,datMat_test[i,:],('rbf', 1.3))
        predict=kernelEval.T * multiply(labelSV,alphas[svInd]) + b
        if sign(predict)!=sign(labelArr_test[i]):
            errorCount_test += 1
    print("the test error rate is: %f" % (float(errorCount_test)/m))

#主程序
def main():
    filename_traindata='C:\\Users\\Administrator\\Desktop\\data\\traindata.txt'
    filename_testdata='C:\\Users\\Administrator\\Desktop\\data\\testdata.txt'
    testRbf(filename_traindata,filename_testdata)

if __name__=='__main__':
    main()

样例数据如下：

训练数据：train_data

-0.214824 0.662756 -1.000000 -0.061569 -0.091875 1.000000 0.406933    0.648055    -1.000000
0.223650    0.130142    1.000000
0.231317    0.766906    -1.000000
-0.748800 -0.531637 -1.000000 -0.557789 0.375797 -1.000000 0.207123    -0.019463   1.000000
0.286462    0.719470    -1.000000
0.195300    -0.179039   1.000000
-0.152696 -0.153030 1.000000 0.384471    0.653336    -1.000000
-0.117280 -0.153217 1.000000 -0.238076 0.000583 1.000000 -0.413576 0.145681 1.000000 0.490767    -0.680029   -1.000000
0.199894    -0.199381   1.000000
-0.356048 0.537960 -1.000000 -0.392868 -0.125261 1.000000 0.353588    -0.070617   1.000000
0.020984    0.925720    -1.000000
-0.475167 -0.346247 -1.000000 0.074952    0.042783    1.000000
0.394164    -0.058217   1.000000
0.663418    0.436525    -1.000000
0.402158    0.577744    -1.000000
-0.449349 -0.038074 1.000000 0.619080    -0.088188   -1.000000
0.268066    -0.071621   1.000000
-0.015165 0.359326 1.000000 0.539368    -0.374972   -1.000000
-0.319153 0.629673 -1.000000 0.694424    0.641180    -1.000000
0.079522    0.193198    1.000000
0.253289    -0.285861   1.000000
-0.035558 -0.010086 1.000000 -0.403483 0.474466 -1.000000 -0.034312 0.995685 -1.000000 -0.590657 0.438051 -1.000000 -0.098871 -0.023953 1.000000 -0.250001 0.141621 1.000000 -0.012998 0.525985 -1.000000 0.153738    0.491531    -1.000000
0.388215    -0.656567   -1.000000
0.049008    0.013499    1.000000
0.068286    0.392741    1.000000
0.747800    -0.066630   -1.000000
0.004621    -0.042932   1.000000
-0.701600 0.190983 -1.000000 0.055413    -0.024380   1.000000
0.035398    -0.333682   1.000000
0.211795    0.024689    1.000000
-0.045677 0.172907 1.000000 0.595222    0.209570    -1.000000
0.229465    0.250409    1.000000
-0.089293 0.068198 1.000000 0.384300    -0.176570   1.000000
0.834912    -0.110321   -1.000000
-0.307768 0.503038 -1.000000 -0.777063 -0.348066 -1.000000 0.017390    0.152441    1.000000
-0.293382 -0.139778 1.000000 -0.203272 0.286855 1.000000 0.957812    -0.152444   -1.000000
0.004609    -0.070617   1.000000
-0.755431 0.096711 -1.000000 -0.526487 0.547282 -1.000000 -0.246873 0.833713 -1.000000 0.185639    -0.066162   1.000000
0.851934    0.456603    -1.000000
-0.827912 0.117122 -1.000000 0.233512    -0.106274   1.000000
0.583671    -0.709033   -1.000000
-0.487023 0.625140 -1.000000 -0.448939 0.176725 1.000000 0.155907    -0.166371   1.000000
0.334204    0.381237    -1.000000
0.081536    -0.106212   1.000000
0.227222    0.527437    -1.000000
0.759290    0.330720    -1.000000
0.204177    -0.023516   1.000000
0.577939    0.403784    -1.000000
-0.568534 0.442948 -1.000000 -0.011520 0.021165 1.000000 0.875720    0.422476    -1.000000
0.297885    -0.632874   -1.000000
-0.015821 0.031226 1.000000 0.541359    -0.205969   -1.000000
-0.689946 -0.508674 -1.000000 -0.343049 0.841653 -1.000000 0.523902    -0.436156   -1.000000
0.249281    -0.711840   -1.000000
0.193449    0.574598    -1.000000
-0.257542 -0.753885 -1.000000 -0.021605 0.158080 1.000000 0.601559    -0.727041   -1.000000
-0.791603 0.095651 -1.000000 -0.908298 -0.053376 -1.000000 0.122020    0.850966    -1.000000
-0.725568 -0.292022 -1.000000 

测试数据：test_data

0.676771    -0.486687   -1.000000
0.008473    0.186070    1.000000
-0.727789 0.594062 -1.000000 0.112367    0.287852    1.000000
0.383633    -0.038068   1.000000
-0.927138 -0.032633 -1.000000 -0.842803 -0.423115 -1.000000 -0.003677 -0.367338 1.000000 0.443211    -0.698469   -1.000000
-0.473835 0.005233 1.000000 0.616741    0.590841    -1.000000
0.557463    -0.373461   -1.000000
-0.498535 -0.223231 -1.000000 -0.246744 0.276413 1.000000 -0.761980 -0.244188 -1.000000 0.641594    -0.479861   -1.000000
-0.659140 0.529830 -1.000000 -0.054873 -0.238900 1.000000 -0.089644 -0.244683 1.000000 -0.431576 -0.481538 -1.000000 -0.099535 0.728679 -1.000000 -0.188428 0.156443 1.000000 0.267051    0.318101    1.000000
0.222114    -0.528887   -1.000000
0.030369    0.113317    1.000000
0.392321    0.026089    1.000000
0.298871    -0.915427   -1.000000
-0.034581 -0.133887 1.000000 0.405956    0.206980    1.000000
0.144902    -0.605762   -1.000000
0.274362    -0.401338   1.000000
0.397998    -0.780144   -1.000000
0.037863    0.155137    1.000000
-0.010363 -0.004170 1.000000 0.506519    0.486619    -1.000000
0.000082    -0.020625   1.000000
0.057761    -0.155140   1.000000
0.027748    -0.553763   -1.000000
-0.413363 -0.746830 -1.000000 0.081500    -0.014264   1.000000
0.047137    -0.491271   1.000000
-0.267459 0.024770 1.000000 -0.148288 -0.532471 -1.000000 -0.225559 -0.201622 1.000000 0.772360    -0.518986   -1.000000
-0.440670 0.688739 -1.000000 0.329064    -0.095349   1.000000
0.970170    -0.010671   -1.000000
-0.689447 -0.318722 -1.000000 -0.465493 -0.227468 -1.000000 -0.049370 0.405711 1.000000 -0.166117 0.274807 1.000000 0.054483    0.012643    1.000000
0.021389    0.076125    1.000000
-0.104404 -0.914042 -1.000000 0.294487    0.440886    -1.000000
0.107915    -0.493703   -1.000000
0.076311    0.438860    1.000000
0.370593    -0.728737   -1.000000
0.409890    0.306851    -1.000000
0.285445    0.474399    -1.000000
-0.870134 -0.161685 -1.000000 -0.654144 -0.675129 -1.000000 0.285278    -0.767310   -1.000000
0.049548    -0.000907   1.000000
0.030014    -0.093265   1.000000
-0.128859 0.278865 1.000000 0.307463    0.085667    1.000000
0.023440    0.298638    1.000000
0.053920    0.235344    1.000000
0.059675    0.533339    -1.000000
0.817125    0.016536    -1.000000
-0.108771 0.477254 1.000000 -0.118106 0.017284 1.000000 0.288339    0.195457    1.000000
0.567309    -0.200203   -1.000000
-0.202446 0.409387 1.000000 -0.330769 -0.240797 1.000000 -0.422377 0.480683 -1.000000 -0.295269 0.326017 1.000000 0.261132    0.046478    1.000000
-0.492244 -0.319998 -1.000000 -0.384419 0.099170 1.000000 0.101882    -0.781145   -1.000000
0.234592    -0.383446   1.000000
-0.020478 -0.901833 -1.000000 0.328449    0.186633    1.000000
-0.150059 -0.409158 1.000000 -0.155876 -0.843413 -1.000000 -0.098134 -0.136786 1.000000 0.110575    -0.197205   1.000000
0.219021    0.054347    1.000000
0.030152    0.251682    1.000000
0.033447    -0.122824   1.000000
-0.686225 -0.020779 -1.000000 -0.911211 -0.262011 -1.000000 0.572557    0.377526    -1.000000
-0.073647 -0.519163 -1.000000 -0.281830 -0.797236 -1.000000 -0.555263 0.126232 -1.000000 

为方便学习，免去下载步骤（下载需要积分），故直接将数据粘贴在上面，如若有异常，请下载csv格式的原始数据。
训练集和测试集数据下载地址：
http://download.csdn.net/download/csqazwsxedc/10271147

参考：
《统计学习方法》
《Machine Learning in Action》