[Machine Learning] Exam 6 (Week 7)

해당 내용은 Andrew Ng 교수님의 Machine Learning 강의(Coursera)를 정리한 내용입니다.

7주차 과제는 아래와 같다.

 

gaussianKernel.m - SVM을 위한 가우시안 커널 코드를 작성하면 된다.

dataset3Params.m - SVM의 파라미터 $C, \sigma$를 구하는 코드를 작성하면 된다.

 

processEmail.m - Email의 단어들을 순회하면서 해당하는 Voca List의 index번호를 찾아서 반환하는 코드를 작성한다.

emailFeatures.m - email로부터 feature를 추출해야 한다.

 

주어지는 함수들은 다음과 같다.

전체 코드는 아래 Github에서 확인할 수 있다.

https://github.com/junstar92/Coursera/tree/master/MachineLearning/ex6

[gaussianKernel.m]

가우시안 커널을 사용하는 Similarity Function으로 $K(x_1, x_2) = exp(-\frac{\left \| x_1 - x_2 \right \|}{2\sigma^2})$이고, 이 식을 코드로 나타내면 다음과 같다.

function sim = gaussianKernel(x1, x2, sigma)
%RBFKERNEL returns a radial basis function kernel between x1 and x2
%   sim = gaussianKernel(x1, x2) returns a gaussian kernel between x1 and x2
%   and returns the value in sim
 
% Ensure that x1 and x2 are column vectors
x1 = x1(:); x2 = x2(:);
 
% You need to return the following variables correctly.
sim = 0;
 
% ====================== YOUR CODE HERE ======================
% Instructions: Fill in this function to return the similarity between x1
%               and x2 computed using a Gaussian kernel with bandwidth
%               sigma
%
%
val = x1 - x2;
sim = exp(-sum((val.^2)) / (2 * sigma.^2));
 
 
% =============================================================
    
end

 

[dataset3Params.m]

코드를 작성하기 전에, SVM을 학습하기 위한 코드를 우선적으로 숙지하고 있어야한다. DataSet2를 통해서 가우시안 커널을 사용한 SVM을 학습했기 때문에, ex6.m의 Example Dataset 2 부분의 코드를 참조하였다.

svmTrain 함수를 사용해서 model을 학습한다. Parameter로 training example의 input $x$, output $y$, $C$, 그리고 Similarity Function으로 가우시안 커널 함수를 사용한다. 그리고 svmPredict함수로 예측값을 얻는다. 이 함수의 파라미터는 우리가 학습한 model과 여기서 Cross Validation Set을 사용한다. 

 

이 과제에서 주된 목적은 최적의 $C$와 $\sigma$를 찾는 것이다. 우리는 강의에서 최적의 Parameter를 찾을 때, Training Set을 통해서 여러 값의 파라미터를 사용해서 모델을 학습하고, 각 학습한 모델에 CV Set을 사용해서 Error가 가장 작은 파라미터를 선택한다고 배웠다. 따라서, 우리는 파라미터 값으로 0.01, 0.03, 0.1, 0.3, 1, 3, 10, 30을 사용해서 각 모델들을 학습하고 CV Set을 통해서 최적의 파라미터 값을 찾는다.

 

이 과제에서 Training Set으로 dataset3Params.m으로부터 추출한 (X, y)를 사용한다. 이 Training Set으로 svmTrain 함수로 SVM model을 학습하면 된다. 그리고 우리는 $C, \sigma$ 두 가지의 파라미터로 모델을 학습해야하기 때문에, 이중 for문을 통해서 모든 case의 모델을 학습하고 각 case에서의 CV Error를 저장해둔다. 그리고 이중 for문을 빠져나와서 가장 작은 Error를 가지는 파라미터 $C$와 $\sigma$를 반환하면 된다. 

코드는 아래와 같다.

function [C, sigma] = dataset3Params(X, y, Xval, yval)
%DATASET3PARAMS returns your choice of C and sigma for Part 3 of the exercise
%where you select the optimal (C, sigma) learning parameters to use for SVM
%with RBF kernel
%   [C, sigma] = DATASET3PARAMS(X, y, Xval, yval) returns your choice of C and 
%   sigma. You should complete this function to return the optimal C and 
%   sigma based on a cross-validation set.
%
 
% You need to return the following variables correctly.
C = 1;
sigma = 0.3;
 
% ====================== YOUR CODE HERE ======================
% Instructions: Fill in this function to return the optimal C and sigma
%               learning parameters found using the cross validation set.
%               You can use svmPredict to predict the labels on the cross
%               validation set. For example, 
%                   predictions = svmPredict(model, Xval);
%               will return the predictions on the cross validation set.
%
%  Note: You can compute the prediction error using 
%        mean(double(predictions ~= yval))
%
 
C_val = [0.01 0.03 0.1 0.3 1 3 10 30];
sigma_val = [0.01 0.03 0.1 0.3 1 3 10 30];
 
for i = 1:length(C_val)
  for j = 1:length(sigma_val)
    model = svmTrain(X, y, C_val(i), @(x1, x2) gaussianKernel(x1, x2, sigma_val(j)));
    prediction = svmPredict(model, Xval);
    Error(i, j) = mean(double(prediction ~= yval));
  endfor
endfor
 
min_Error = min(min(Error));
[i j] = find(Error == min_Error);
C = C_val(i);
sigma = sigma_val(j);
 
% =========================================================================
 
end

 

[processEmail.m]

과제 코드가 길어서 약간 당황했지만... 문제를 읽어보면 꽤나 간단하다. 제공되는 Voca 리스트에서 Email에서 등장한 단어를 찾아서 제공된 Voca 리스트의 index들을 저장해서 반환한다.

Email 내용을 소문자로 다 바꾸고, 숫자 등등을 다 지우는 과정을 거치고..

이제 while ~isempty(email_contents) 반복문 안에서 Email 단어와 일치하는 Voca 리스트의 Index를 저장하면 된다.

단어가 일치하는지 확인하는 것은 strcmp 함수를 사용하면 된다. 작성한 코드는 100~101 Line이다.

function word_indices = processEmail(email_contents)
%PROCESSEMAIL preprocesses a the body of an email and
%returns a list of word_indices 
%   word_indices = PROCESSEMAIL(email_contents) preprocesses 
%   the body of an email and returns a list of indices of the 
%   words contained in the email. 
%
 
% Load Vocabulary
vocabList = getVocabList();
 
% Init return value
word_indices = [];
 
% ========================== Preprocess Email ===========================
 
% Find the Headers ( \n\n and remove )
% Uncomment the following lines if you are working with raw emails with the
% full headers
 
% hdrstart = strfind(email_contents, ([char(10) char(10)]));
% email_contents = email_contents(hdrstart(1):end);
 
% Lower case
email_contents = lower(email_contents);
 
% Strip all HTML
% Looks for any expression that starts with < and ends with > and replace
% and does not have any < or > in the tag it with a space
email_contents = regexprep(email_contents, '<[^<>]+>', ' ');
 
% Handle Numbers
% Look for one or more characters between 0-9
email_contents = regexprep(email_contents, '[0-9]+', 'number');
 
% Handle URLS
% Look for strings starting with http:// or https://
email_contents = regexprep(email_contents, ...
                           '(http|https)://[^\s]*', 'httpaddr');
 
% Handle Email Addresses
% Look for strings with @ in the middle
email_contents = regexprep(email_contents, '[^\s]+@[^\s]+', 'emailaddr');
 
% Handle $ sign
email_contents = regexprep(email_contents, '[$]+', 'dollar');
 
 
% ========================== Tokenize Email ===========================
 
% Output the email to screen as well
fprintf('\n==== Processed Email ====\n\n');
 
% Process file
l = 0;
 
while ~isempty(email_contents)
 
    % Tokenize and also get rid of any punctuation
    [str, email_contents] = ...
       strtok(email_contents, ...
              [' @$/#.-:&*+=[]?!(){},''">_<;%' char(10) char(13)]);
   
    % Remove any non alphanumeric characters
    str = regexprep(str, '[^a-zA-Z0-9]', '');
 
    % Stem the word 
    % (the porterStemmer sometimes has issues, so we use a try catch block)
    try str = porterStemmer(strtrim(str)); 
    catch str = ''; continue;
    end;
 
    % Skip the word if it is too short
    if length(str) < 1
       continue;
    end
 
    % Look up the word in the dictionary and add to word_indices if
    % found
    % ====================== YOUR CODE HERE ======================
    % Instructions: Fill in this function to add the index of str to
    %               word_indices if it is in the vocabulary. At this point
    %               of the code, you have a stemmed word from the email in
    %               the variable str. You should look up str in the
    %               vocabulary list (vocabList). If a match exists, you
    %               should add the index of the word to the word_indices
    %               vector. Concretely, if str = 'action', then you should
    %               look up the vocabulary list to find where in vocabList
    %               'action' appears. For example, if vocabList{18} =
    %               'action', then, you should add 18 to the word_indices 
    %               vector (e.g., word_indices = [word_indices ; 18]; ).
    % 
    % Note: vocabList{idx} returns a the word with index idx in the
    %       vocabulary list.
    % 
    % Note: You can use strcmp(str1, str2) to compare two strings (str1 and
    %       str2). It will return 1 only if the two strings are equivalent.
    %
 
    idx = find(strcmp(vocabList, str) == 1);
    word_indices = [word_indices; idx];
    
 
    % =============================================================
 
 
    % Print to screen, ensuring that the output lines are not too long
    if (l + length(str) + 1) > 78
        fprintf('\n');
        l = 0;
    end
    fprintf('%s ', str);
    l = l + length(str) + 1;
 
end
 
% Print footer
fprintf('\n\n=========================\n');
 
end

 

 

[emailFeatures.m]

feature vector를 반환하는 함수이다. 여기서 Voca의 개수는 1899로 정해져있고 우리는 이미 위에서 Email에 등장하는 단어와 동일한 Voca 리스트의 index를 저장했다. 그리고 단어가 등장하는 index에 해당하는 feature $x_i$만 1로 설정해주면 된다.

function x = emailFeatures(word_indices)
%EMAILFEATURES takes in a word_indices vector and produces a feature vector
%from the word indices
%   x = EMAILFEATURES(word_indices) takes in a word_indices vector and 
%   produces a feature vector from the word indices. 
 
% Total number of words in the dictionary
n = 1899;
 
% You need to return the following variables correctly.
x = zeros(n, 1);
 
% ====================== YOUR CODE HERE ======================
% Instructions: Fill in this function to return a feature vector for the
%               given email (word_indices). To help make it easier to 
%               process the emails, we have have already pre-processed each
%               email and converted each word in the email into an index in
%               a fixed dictionary (of 1899 words). The variable
%               word_indices contains the list of indices of the words
%               which occur in one email.
% 
%               Concretely, if an email has the text:
%
%                  The quick brown fox jumped over the lazy dog.
%
%               Then, the word_indices vector for this text might look 
%               like:
%               
%                   60  100   33   44   10     53  60  58   5
%
%               where, we have mapped each word onto a number, for example:
%
%                   the   -- 60
%                   quick -- 100
%                   ...
%
%              (note: the above numbers are just an example and are not the
%               actual mappings).
%
%              Your task is take one such word_indices vector and construct
%              a binary feature vector that indicates whether a particular
%              word occurs in the email. That is, x(i) = 1 when word i
%              is present in the email. Concretely, if the word 'the' (say,
%              index 60) appears in the email, then x(60) = 1. The feature
%              vector should look like:
%
%              x = [ 0 0 0 0 1 0 0 0 ... 0 0 0 0 1 ... 0 0 0 1 0 ..];
%
%
 
for i = word_indices
  x(word_indices) = 1;
endfor
 
% =========================================================================
    
 
end