SVM线性分类器--男女生身高体重分类

根据给定的男女生身高体重数据,经过【数据准备、数据转换、标签准备、训练、预测】过程,能够成功预测出给定的任意身高体重应该属于男生还是女生
# 1 思想 分类器 
# 2 如何？ 寻求一个最优的超平面 分类
# 3 核：line
# 4 数据：样本 
# 5 训练  SVM_create  train predict
# svm本质 寻求一个最优的超平面 分类
# svm 核: line
# 身高体重 训练 预测 

#男女生身高分类
import cv2
import numpy as np
import matplotlib.pyplot as plt
# svm 对于数据的要求: 所有的数据都要有label
# [155,48] -- 0 女生 [152,53] ---1  男生
# 监督学习 0 负样本 1 正样本

#函数原型:vstack(tup) 参数tup可以是元组,列表,或者numpy数组,返回结果为numpy的数组
#作用：它是垂直（按照行顺序）的把数组给堆叠起来。


#1.准备数据
woman = np.array([[155,48],[159,50],[164,53],[168,56],[172,60]])    #女生数据
man = np.array([[152,53],[156,55],[160,56],[172,64],[176,65]])      #男生数据

#2.data转换
# data = np.vstack(woman,man)                                       #报错
data = np.vstack((woman,man))                                       #将两个训练样本用行堆积
data = np.array(data,dtype='float32')                               #改成float32类型

#3.准备标签
label = np.array([[0],[0],[0],[0],[0],[1],[1],[1],[1],[1]])         #0-->女  1-->男

#4.训练

#创建svm
svm = cv2.ml.SVM_create()
#设置svm属性
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setC(0.01)
#训练
result = svm.train(data,cv2.ml.ROW_SAMPLE,label)

#5.预测
pre_data = np.vstack([[167,55],[162,57]])
pre_data = np.array(pre_data,dtype='float32')
print("pre_data:\n",pre_data)
(par1,par2) = svm.predict(pre_data)                                     #结果存储在par2中
print("par2:\n",par2)

输出：

pre_data:
 [[167.  55.]
 [162.  57.]]
par2:
 [[0.]
 [1.]]

随机化生成测试数据+图形化显示预测结果

#随机生成预测数据+图形化显示预测结果
result = svm.train(data,cv2.ml.ROW_SAMPLE,label)
pre_data1 = np.random.rand(10,1)*20+np.ones((10,1))*160                   #身高：[160,180)
pre_data1 = np.array(pre_data1,dtype='float32')

pre_data2 = np.random.rand(10,1)*40+np.ones((10,1))*40                    #体重：[40,80)
pre_data2 = np.array(pre_data2,dtype='float32')

pre_data = np.hstack((pre_data1,pre_data2))                               #将两组数据进行列堆积,新起一列
pre_data = np.array(pre_data,dtype='float32')
print("pre_data\n",pre_data)

(par1,res) = svm.predict(pre_data)                                        #进行svm预测
print("预测结果res\n",res)

res = np.hstack((res,res))                                                #进行列堆积,新起一列,使其与测试数据型号一致,便于比较赋值
print("预测堆积后结果res\n",res)
#0-->女  1-->男
pre0 = pre_data[res<0.5]                                                  #比较赋值后全变成了一维数组
pre1 = pre_data[res>=0.5]
print("pre0:\n",pre0)                                                               #输出女生(一维数组数据)
print("pre1:\n",pre1)                                                               #输出男生(一维数组数据)
pre0 = np.reshape(pre0,(int(pre0.shape[0]/2),2))                          #重新改变数组形状,使其图形化输出
pre1 = np.reshape(pre1,(int(pre1.shape[0]/2),2))
plt.figure(1)
plt.plot(pre0[:,0],pre0[:,1],'o')
plt.plot(pre1[:,0],pre1[:,1],'o')
plt.show()

输出：

pre_data
 [[172.5421    45.893223]
 [163.69073   46.986614]
 [169.27026   73.5821  ]
 [176.9799    52.51847 ]
 [164.13753   79.184845]
 [160.08942   59.03401 ]
 [161.24686   51.76255 ]
 [168.38326   55.96825 ]
 [164.8569    46.203136]
 [175.61798   73.08636 ]]
预测结果res
 [[0.]
 [0.]
 [1.]
 [0.]
 [1.]
 [1.]
 [0.]
 [0.]
 [0.]
 [1.]]
预测堆积后结果res
 [[0. 0.]
 [0. 0.]
 [1. 1.]
 [0. 0.]
 [1. 1.]
 [1. 1.]
 [0. 0.]
 [0. 0.]
 [0. 0.]
 [1. 1.]]
pre0:
 [172.5421    45.893223 163.69073   46.986614 176.9799    52.51847
 161.24686   51.76255  168.38326   55.96825  164.8569    46.203136]
pre1:
 [169.27026   73.5821   164.13753   79.184845 160.08942   59.03401
 175.61798   73.08636 ]