机器学习（18）-- SVM支持向量机（根据身高体重分类性别）

目录

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

---

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))