书名：计算机视觉40例从入门到深度学习：OpenCV-Python
作者：李立宗
出版社：电子工业出版社
出版时间：2022-07-01
ISBN：9787121436857

第15章 机器学习导读

15.3 OpenCV中的机器学习模块

15.3.7 支持向量机

1、定义

• 支持向量机（Support Vector Machine，SVM）是一种二分类模型，目标是寻找一个标准（称为超平面）对样本数据进行分割，分割原则是确保分类最优化（类别之间的间隔最大）。
  SVM在分类时，先把无法线性分割的数据映射到高维空间，然后在高维空间找到分类最优的线性分类器。

2、分类器

• 图15-32中用于划分不同类别的直线就是分类器。
  在构造分类器时，非常重要的一项工作就是找到最优分类器。
  例如，图15-32中的三个分类器，哪一个更好呢？
  从直观上，我们可以发现图15-32（b）所示分类器和图15-32（d）所示分类器都偏向某一类别（与某一类别的间距更小），而图15-32（c）所示分类器实现了均分。
  图15-32（c）所示分类器尽量让两类别离自己一样远，为每个类别都预留了等量的扩展空间，当有新的靠近边界的点进来时，能够更合理地将其按照位置划分到对应的类别内。

  
  图15-32 分类器

3、如何找到SVM

• 以上述划分为例，介绍如何找到SVM。
  在已有数据中，找到离分类器最近的点，确保它们离分类器尽可能地远。
  例如，图15-33左下角图像中的分类器符合上述要求。

  
  图15-33 分类器距离示意图

4、支持向量

• 支持向量示意图如图15-34所示，离分类器最近的点叫作支持向量（Support Vector）。
  离分类器最近的点到分类器的距离和（两个异类支持向量到分类器的距离和）称为间隔（Margin）。
  我们希望间隔尽可能地大，间隔越大，分类器对数据的处理越准确。
  支持向量决定了分类器所在的位置。

  
  图15-34 支持向量示意图

5、SVM

• SVM是由支持向量和机器构成的。
  ● 支持向量是指离分类器最近的点，这些点位于最大间隔上。通常情况下，分类仅依靠这些点完成，与其他点无关。
  ● 机器是指分类器。

• 也就是说，SVM是一种基于关键点的分类算法。