07 hog特征&SVM支持向量机的定义

SVM支持向量机的本质：是个分类器，使用任意多条直线进行分类（对于三维就是平面），寻求最优的分类平面

image.png

男生女生身高体重，训练，预测：

import cv2
import numpy as np
import matplotlib.pyplot as plt
#1 准备data
rand1 = np.array([[155,48],[159,50],[164,53],[168,56],[172,60]])    #女生数据
rand2 = np.array([[152,53],[156,55],[160,56],[172,64],[176,65]])     #男生数据

# 2 label   准备一个标签
label = np.array([[0],[0],[0],[0],[0],[1],[1],[1],[1],[1]])

# 3 data  对数据进行处理
data = np.vstack((rand1,rand2))  #将rand1，rand2进行合并
data = np.array(data,dtype='float32')   #转换为数组

# svm 所有的数据都要有label，标签用于描述数据当前的属性
# [155,48] -- 0 女生 [152,53] ---1  男生
# 监督学习        0 负样本 1 正样本

# 4 训练和预测

svm = cv2.ml.SVM_create() # ml ： 机器学习模块 ；SVM_create() 完当前SVM向量机的创建

# 设置SVM的各种属性
svm.setType(cv2.ml.SVM_C_SVC) # 设置svm 类型
svm.setKernel(cv2.ml.SVM_LINEAR) #设置为使用 线性（line）内核，因为使用的是线性分类器
svm.setC(0.01)

# 开始进行 训练
result = svm.train(data,cv2.ml.ROW_SAMPLE,label)  #（数据，类型，标签）

# 预测
pt_data = np.vstack([[167,55],[162,57]]) #0 女生 1男生
pt_data = np.array(pt_data,dtype='float32')   #完成数据转换
print(pt_data)

(par1,par2) = svm.predict(pt_data)  #开始预测，传入要预测的数据
print(par2)

image.png

需要注意的地方：
1、svm的本质：分类器
2、寻求一个最优的超平面，用超平面来完成分类
3、SVM的核：可以有多钟，上面用的是线性核
4、准备数据（训练样本）：一定要包含正样本和负样本；正样本与负样本的个数不一定相同；准备样本的时候，一定要准备一个样本标签，标签能唯一描述当前的数据
5、这是一个监督学习的过程，用0跟1来监督他0表示女生，1表示男生
6、数据准备好之后就可以进行训练：先创建SVM；设置一下内核，并表面其属性；进行训练；进行预测
7、找相关书籍了解具体算法推到过程