OpenCV笔记(3)实现支持向量机(SVM)

这篇博客介绍了如何使用OpenCV 3.0版本实现支持向量机(SVM),包括SVM的理论概念、优化目标以及OpenCV中的实现步骤。通过设置SVM参数,训练数据并进行分类,最终展示SVM在图像上的分类效果。
摘要由CSDN通过智能技术生成

      参考教程:点击打开链接

      参考教程使用的是OpenCV 2.0 版本,这里将其修改为3.0版本。


1.SVM(支持向量机)

      SVM是一种训练机器学习的算法,可以用于解决分类和回归问题。

      正式定义:是一个能将不同类样本在样本空间分割的超平面,给定一些标记好的训练样本,SVM算法输出一个最优化的分隔超平面。

      

      判定是否为最优平面的依据:

      

      如上图所示,给定一些分属两类的特征点,这些点可以通过直线分割,我们要找到一个最优的直线。满足的直线很多,该怎么定义最优?有个评价标准是直线到所有点的距离最远。距离样本点太近的话,直线对噪声敏感度高,泛化性比较差。

      SVM算法就是找到能将某个值最大化的超平面,这个值是超平面离所有样本点的最小距离。这个距离叫间隔。

      

      相比较其他机器学习算法,它的优点有样本小 、结构风险小、非线性等。

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值