Python中OpenCV如何实现支持向量机？

本文共计2303个文字，预计阅读时间需要10分钟。

%E2%80%9C%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA%E3%80%81SVM%E3%80%812%E5%88%86%E7%B1%BB%E6%A8%A1%E5%9E%8B%E7%9A%84%E6%9C%80%E4%BD%B3%E5%88%86%E5%89%B2%E6%9E%B6%E6%9E%84%E3%80%82%E3%80%8D

支持向量机

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，分割的原则是确保分类最优化（类别之间的间隔最大）。

当数据集较小时，使用支持向量机进行分类非常有效。

支持向量机是最好的现成分类器之一，“现成”是指分类器不加修改即可直接使用。

在对原始数据分类的过程中，可能无法使用线性方法实现分割。支持向量机在分类时，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。

Python支持向量机的库: sk-learn , LIBSVM等

OpenCV也提供了对支持向量机的支持

理论基础

用于划分不同类别的直线，就是分类器。

构造分类器时，非常重要的一项工作就是找到最优分类器。

找到支持向量机：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。

离分类器最近的点到分类器的距离称为间隔（margin）。希望间隔尽可能地大，这样分类器在处理数据时，就会更准确。

离分类器最近的那些点叫作支持向量（support vector）。 决定了分类器所在的位置。