Python | 基于支持向量机（SVM）的图像分类案例

支持向量机（SVM）是一种监督机器学习算法，可用于分类和回归任务。在本文中，我们将重点关注使用SVM进行图像分类。

当计算机处理图像时，它将其视为二维像素阵列。数组的大小对应于图像的分辨率，例如，如果图像是200像素宽和200像素高，则数组的尺寸为200 x 200 x 3。前两个维度分别表示图像的宽度和高度，而第三个维度表示RGB颜色通道。数组中的值范围为0到255，表示每个点处像素的强度。

为了使用SVM对图像进行分类，我们首先需要从图像中提取特征。这些特征可以是像素的颜色值、边缘检测，甚至是图像中存在的纹理。一旦提取了特征，我们就可以将它们用作SVM算法的输入。

SVM算法通过寻找在特征空间中分离不同类的超平面来工作。支持向量机背后的关键思想是找到最大化边缘的超平面，边缘是不同类的最近点之间的距离。最接近超平面的点称为支持向量。

使用SVM进行图像分类的主要优点之一是它们可以有效地处理高维数据，例如图像。此外，SVM比其他算法（如神经网络）更不容易过拟合。

在机器学习中，模型由输入数据和预期输出数据训练。

步骤1：导入所需的库

import pandas as pd 
import os 
from skimage.transform import resize 
from skimage.io import imread 
import numpy as np 
import matplotlib.pyplot as plt 
from sklearn import svm 
from sklearn.model_selection import GridSearchCV 
from sklearn.model_selection import train_test_split 
from sklearn.metrics import accuracy_score 
from sklearn.metrics import classification_report

步骤2：加载图像并将其转换为数据帧

Categories=['cats','dogs'] 
flat_data_arr=[] #input array 
target_arr=[] #output array 
datadir='IMAGES/'
#path which contains all the categories of images 
for i in Categories: 
	
	print(f'loading... category : {
     i}') 
	path=os.path.join(datadir,i) 
	for img in os.listdir(path): 
		img_array=imread