import cv2
import numpy as np
import matplotlib.pyplot as plt
#第一步 准备数据
#表现为A级的员工的笔试、面试成绩
a = np.random.randint(95,100,(20,2)).astype(np.float32)
#表现为B级的员工的笔试、面试成绩
b = np.random.randint(90,95,(20,2)).astype(np.float32)
#合并数据
data = np.vstack((a,b))
data = np.array(data,dtype='float32')
#第二步 建立分类标签,0代表A级,1代表B级
#aLabel对应着A的标签,为类型0,等级A
aLabel = np.zeros((20,1))
#bLabel对应着B的标签,为类型1,等级B
bLabel = np.ones((20,1))
#合并标签
label = np.vstack((aLabel,bLabel))
label = np.array(label,dtype='int32')
#第三步 训练
#用ml机器学习模块 SVM_create()创建svm
svm = cv2.ml.SVM_create()
#属性设置,直接采用默认值即可
#svm.serType(cv2.ml.SVM_C_SVC) #svm type
#svm.setkernel(cv2.ml.svm_LINEAR) #line
#svm.setC(0.01)
#训练
result = svm.train(data,cv2.ml.ROW_SAMPLE,label)
#第四步 预测
#生成两个随机的笔试成绩和面试成绩数据对
test = np.vstack([[98,90],[90,99]])
test = np.array(test,dtype='float32')
#预测
(p1,p2) = svm.predict(test)
#第五步 观察结果
#可视化
plt.scatter(a[:,0],a[:,1],80,'g','o')
plt.scatter(b[:,0],b[:,1],80,'b','s')
plt.scatter(test[:,0],test[:,1],80,'r','*')
print(test)
print(p2)
plt.show()
#打印原始测试数据test,预测结果```
SVM向量机
最新推荐文章于 2024-06-11 13:10:45 发布