/// <summary>
/// 对偶形式的学习
/// </summary>
/// <param name="data"></param>
public void Learn_(PData data)
{
w = new double[data.J]; // 截距 b 作为 w的第一项
var N = data.matrix.GetLength(0); // 数据量
var gram = PUtil.GetGram(data.matrix); // 数据点输入的对偶内积矩阵
var n = new int[N]; // 每个数据点参与优化的次数
double a = 1; // 步长，hardcode 设置为 1
bool flag = true;
while (flag)
{
flag = false;
// 遍历数据点
for (int i = 0; i < N; i++)
{
var check = PUtil.Check_(data.matrix, i, gram, n, a);
while (check < 0)
{
flag = true; // 本轮进行了优化
n[i] += 1; // 第 i 个数据点参与优化次数增 1
check = PUtil.Check_(data.matrix, i, gram, n, a);
}
}
}
// 设置 w 的值
for (int j = 0; j < data.J; j++)
{
for (int k = 0; k < N; k++)
{
if (j == 0)
{
w[j] += n[k] * a * data.matrix[k][data.J - 1];
}
else
{
w[j] += n[k] * a * data.matrix[k][data.J - 1] * data.matrix[k][j - 1];
}
}
}
}
/// <summary>
/// 学习
/// </summary>
/// <param name="data"></param>
public void Learn(PData data)
{
w = new double[data.J];
var a = 1; // 这里简单起见，hardcode步长
bool flag = true; // 优化标志位，初始化为true
while (flag)
{
flag = false; // 标志位复位
for (int i = 0; i < data.matrix.GetLength(0); i++)
{
var row = data.matrix[i]; // 一行表示一条数据
var dist = PUtil.CalcDistance(row, w);
while (dist <= 0)
{
flag = true; // 表示进行过优化
PUtil.Calibrate(w, row, a);
dist = PUtil.CalcDistance(row, w);
}
}
}
}