一、基础理论

SVM本质：寻求一个最优的超平面进行分类。（分类器）

SVM核：支持很多核（这里主要使用线性核）

左图分类比较简单，一条线就可以分类；

但右图一条线明显无法完成分类，这时则需要多条线甚至曲线才能完成分类。

这里用的是监督学习，所以必须要有label标签（即目标值）。

二、身高体重预测性别

1、获取数据（男女生身高体重）

获取男女生身高体重（训练集、测试集）

# 训练集
girls_train = np.array([[155, 48], [159, 50], [165, 55], [158, 55], [170, 58]])
boys_train = np.array([[162, 56], [182, 68], [175, 62], [180, 72], [178, 66]])
# 测试集
girls_test = np.array([[152,46], [164,55]])
boys_test = np.array([[175,64], [182, 67]])

2、数据处理（合并数据）

# 2 合并数据（并转浮点型，svm需要）
data = np.vstack((girls_train, boys_train))
data = np.array(data, dtype='float32')
print(data)
predict_data = np.vstack((girls_test, boys_test))
predict_data = np.array(predict_data, dtype='float32')
print(predict_data)

3、设置标签

# 3 设置标签（监督学习的目标值）（0：负样本；1：正样本）
label = np.array([[0],[0],[0],[0],[0],[1],[1],[1],[1],[1]])

4、创建分类器（支持向量机）

4-1、创建svm分类器

# 4-1 创建svm分类器
svm = cv2.ml.SVM_create()

4-2、设置分类器属性（线性核）

# 4-2 设置分类器属性
svm.setType(cv2.ml.SVM_C_SVC)       #svm 类型
svm.setKernel(cv2.ml.SVM_LINEAR)    #设置内核：线性核（最关键）
svm.setC(0.01)

5、训练

根据训练集和目标集，进行监督学习。

# 5 训练
svm.train(data, cv2.ml.ROW_SAMPLE, label)

6、预测

# 6 预测
print(svm.predict(predict_data))

可以看到，结果预测成功，前面两个是女的（0），最后2个是男的（1），达到了想要的效果。

总代码

# SVM支持向量机（根据身高体重预测性别）
import cv2
import numpy as np# 1 获取数据（男女生身高体重）
# 训练集
girls_train = np.array([[155, 48], [159, 50], [165, 55], [158, 55], [170, 58]])
boys_train = np.array([[162, 56], [182, 68], [175, 62], [180, 72], [178, 66]])
# 测试集
girls_test = np.array([[152,46], [164,55]])
boys_test = np.array([[175,64], [182, 67]])# 2 合并数据（并转浮点型，svm需要）
train_data = np.vstack((girls_train, boys_train))
train_data = np.array(train_data, dtype='float32')
print(train_data)
test_data = np.vstack((girls_test, boys_test))
test_data = np.array(test_data, dtype='float32')
print(test_data)# 3 设置标签（监督学习的目标值）（0：负样本；1：正样本）
label = np.array([[0],[0],[0],[0],[0],[1],[1],[1],[1],[1]])
# print(label)# 4 创建分类器（支持向量机）
# 4-1 创建svm分类器
svm = cv2.ml.SVM_create()# 4-2 设置分类器属性
svm.setType(cv2.ml.SVM_C_SVC)       #svm 类型
svm.setKernel(cv2.ml.SVM_LINEAR)    #设置内核：线性核（最关键）
svm.setC(0.01)# 5 训练
svm.train(train_data, cv2.ml.ROW_SAMPLE, label)
#         训练集                          标签（目标集）# 6 预测
print(svm.predict(test_data))

机器学习（18）-- SVM支持向量机（根据身高体重分类性别）相关推荐

神经网络-1 利用年龄身高体重判断性别
也许完全错误,先随便写写记着~~ 11行代码实现神经网络这就是开头. 偶然冒出来一个想法,利用神经网络通过年龄身高体重判断性别. 在百度文库找了一份身高体重表某地身高体重表转到Excel里,把年 ...
吴恩达《机器学习》——SVM支持向量机
SVM支持向量机 1. 线性SVM 1.1 从Logistic回归出发 1.2 大边界分类与SVM 1.3 调整正则化参数 2. 非线性SVM(高斯核函数) 2.1 高斯核 2.2 非线性分类 2.3 ...
机器学习_06:SVM支持向量机
文章目录实验背景 1.SVM算法原理 1.1.分隔超平面 1.2.最大间隔 1.2.1.寻找最小间隔数据点 1.2.2.拉格朗日乘子法 1.3.SMO高效优化算法 2.实验结果 3.总结实验背景 ...
MATLAB身高体重识别性别
用身高和体重数据进行性别分类的实验报告(二) 一. 基本要求 1.试验非参数估计,体会与参数估计在适用情况.估计结果方面的异同. 2.试验直接设计线性分类器的方法,与基于概率密度估计的贝叶斯分类器进行 ...
【机器学习】SVM支持向量机在手写体数据集上进行二分类、采⽤ hinge loss 和 cross-entropy loss 的线性分类模型分析和对比、网格搜索
2022Fall 机器学习 1. 实验要求考虑两种不同的核函数:i) 线性核函数; ii) ⾼斯核函数可以直接调⽤现成 SVM 软件包来实现⼿动实现采⽤ hinge loss 和 cross-e ...
[吴恩达机器学习笔记]12支持向量机3SVM大间距分类的数学解释
12.支持向量机觉得有用的话,欢迎一起讨论相互学习~Follow Me 参考资料斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 12.3 大间距分类背后的数学原理- Mathematic ...
机器学习：SVM支持向量机理解
SVM应该是机器学习过程中第一个特别复杂的算法了,其中大量的数学推导公式和优化算法,对小白真的太不友好了.这篇文章参考了许多优秀博文,主要是了解一下SVM,尽量少涉及复杂的公式推导,有些直接给出结论. ...
【机器学习】SVM支持向量机模型
本站原创文章,转载请说明来自<老饼讲解-机器学习>ml.bbbdata.com 目录一. SVM的目标和思想 1.1 SVM硬间隔模型的原始目的 1.2 SVM的直接目标 1.3 什么 ...
机器学习——06 SVM支持向量机
深度学习(2012)出现之前,SVM被认为机器学习中近十几年来最成功表现最好的算法. 比较适合较复杂的数据(图像分类.人脸识别) 1.1 SVM模型 SVM寻找区分两类的超平面,使边际最大. 向量内积 ...

机器学习（18）-- SVM支持向量机（根据身高体重分类性别）

一、基础理论

二、身高体重预测性别

1、获取数据（男女生身高体重）

2、数据处理（合并数据）

3、设置标签

4、创建分类器（支持向量机）

4-1、创建svm分类器

4-2、设置分类器属性（线性核）

5、训练

6、预测

总代码

机器学习（18）-- SVM支持向量机（根据身高体重分类性别）相关推荐

最新文章

热门文章