SVM分类及其Model文件的解析使用

最新推荐文章于 2024-08-08 10:33:25 发布

carpinter

最新推荐文章于 2024-08-08 10:33:25 发布

阅读量1.1w

点赞数

文章标签： training features vector each 360

本文链接：https://blog.csdn.net/carpinter/article/details/7375030

版权

本文介绍了如何使用SVM进行特征分类，包括保存特征向量文件、离线训练SVM模型以及使用线性核进行预测判决。通过svmLight工具训练得到支持向量机模型，并解析模型文件以实现预测功能。

摘要由CSDN通过智能技术生成

利用SVM方法对可能有效的特征进行分类。SVM是典型的机器学习方法。
考虑到代码简单易操作，采用保存特征向量文件，离线训练SVM模型，然后在线predict的方法。以后可以加入opencv的SVM部分代码

（融入opencv的code）。

步骤1：保存特征向量文件
这里采用svmLight的文件结构，每个特征向量保存成
1 6:0.0198403253586671 15:0.0339873732306071 29:0.0360280968798065 31:0.0378103484117687 41:0.0456787263779904

63:0.021442413608662
-1 6:0.0123633287504592 10:0.0521393287595611 11:0.111113376990214 13:0.0821691181155986 18:0.0330902766305449

27:0.0179995240985769
正样本和负样本个数大概在1:2的比例
Implement：在程序中定义一个结构，用来保存视频中每帧计算得到的Features，然后根据标记文件，输出此时的Feature到文件。
特征向量文件保存在硬盘里面，如fopen("D:\\train.dat", "ab+");

步骤2：离线训练SVM模型
利用svmLight的Learn.exe训练该特征向量文件，得到相应的SVM模型。这里采用线性核，方便predict计算。
svm_learn data1/train.dat data1/train.model
从训练得到的model（简单测试）中，可以看出，该model使用线性核，支持向量有31个，判决阈