win10+Python3.7.3+OpenCV3.4.1入门学习（二十一章 支持向量机）———— 21.2 SVM案例介绍

Python版本是Python3.7.3，OpenCV版本OpenCV3.4.1，开发环境为PyCharm

21.2 SVM案例介绍

在使用支持向量机模块时，需要先使用函数cv2.ml.SVM_create()生成用于后续训练的空分类器模型。该函数的语法格式为：

svm = cv2.ml.SVM_create( )

获取了空分类器svm后，针对该模型使用svm.train()函数对训练数据进行训练，其语法格式为：

训练结果= svm.train(训练数据，训练数据排列格式，训练数据的标签)

式中参数的含义如下：
● 训练数据：表示原始数据，用来训练分类器。例如，前面讲的招聘的例子中，员工的笔试成绩、面试成绩都是原始的训练数据，可以用来训练支持向量机。
● 训练数据排列格式：原始数据的排列形式有按行排列（cv2.ml.ROW_SAMPLE，每一条训练数据占一行）和按列排列（cv2.ml.COL_SAMPLE，每一条训练数据占一列）两种形式，根据数据的实际排列情况选择对应的参数即可。
● 训练数据的标签：原始数据的标签。
● 训练结果：训练结果的返回值。
例如，用于训练的数据为data，其对应的标签为label，每一条数据按行排列，对分类器模型svm进行训练，所使用的语句为：

返回值 = svm.train(data, cv2.ml.ROW_SAMPLE, label)

完成对分类器的训练后，使用svm.predict()函数即可使用训练好的分类器模型对测试数据进行分类，其语法格式为：

(返回值，返回结果) = svm.predict(测试数据)

以上是支持向量机模块的基本使用方法。在实际使用中，可能会根据需要对其中的参数进行调整。OpenCV支持对多个参数的自定义，例如：可以通过setType()函数设置类别，通过setKernel()函数设置核类型，通过setC()函数设置支持向量机的参数C（惩罚系数，即对误差的宽容度，默认值为0）。
下面通过一个具体案例介绍如何在Python中调用OpenCV的支持向量机模块进行分类操作。

eg1：已知老员工的笔试成绩、面试成绩及对应的等级表现，根据新入职员工的笔试成绩、面试成绩预测其可能的表现。
根据题目要求，首先构造一组随机数，并将其划分为两类，然后使用OpenCV自带的支持向量机模块完成训练和分类工作，最后将运算结果显示出来。具体步骤如下。
1．生成模拟数据
首先，模拟生成入职一年后表现为A级的员工入职时的笔试和面试成绩。构造20组笔试和面试成绩都分布在[95, 100)区间的数据对：

a = np.random.randint(95,100, (20, 2)).astype(np.float32)

上述模拟成绩，在一年后对应的工作表现为A级。
接下来，模拟生成入职一年后表现为B级的员工入职时的笔试和面试成绩。构造20组笔试和面试成绩都分布在[90, 95)区间的数据对：

b = np.random.randint(90,95, (20, 2)).astype(np.float32)

上述模拟成绩，在一年后对应的工作表现为B级。
最后，将两组数据合并，并使用numpy.array对其进行类型转换：

data = np.vstack((a, b))
data = np.array(data, dtype='float32')

2．构造分组标签
首先，为对应表现为A级的分布在[95, 100)区间的数据，构造标签“0”：

aLabel=np.zeros((20,1))

接下来，为对应表现为B级的分布在[90, 95)区间的数据，构造标签“1”：

bLabel=np.ones((20,1))

最后，将上述标签合并，并使用numpy.array对其进行类型转换：

label = np.vstack((aLabel, bLabel))
label = np.array(label, dtype='int32')

3．训练

用支持向量机模块对已知的数据和其对应的标签进行训练：

svm = cv2.ml.SVM_create()
result = svm.train(data, cv2.ml.ROW_SAMPLE, label)

4．分类
生成两个随机的数据对(笔试成绩，面试成绩)用于测试。可以用随机数，也可以直接指定两个数字。
这里，我们想观察一下笔试和面试成绩差别较大的数据如何分类。用如下语句生成成绩：

test = np.vstack([[98,90], [90,99]])
test = np.array(test, dtype='float32')

然后，使用函数svm.predict()对随机成绩分类：

(p1, p2) = svm.predict(test)

5．显示分类结果
将基础数据（训练数据）、用于测试的数据（测试数据）在图像上显示出来：

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', '*')
plt.show()

将测试数据及预测分类结果显示出来：

print(test)
print(p2)

程序如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt
#第1步 准备数据
# A等级的笔试、面试分数
a = np.random.randint(95,100, (20, 2)).astype(np.float32)
# B等级的笔试、面试分数
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2步 建立分组标签，0代表A等级，1代表B等级
#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3步 训练
# ml 机器学习模块 SVM_create() 创建
svm = cv2.ml.SVM_create() 
# 属性设置，直接采用默认值即可。
#svm.setType(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4步 预测
#生成两个随机的(笔试成绩、面试成绩)，可以用随机数生成
test = np.vstack([[99,90],[90,99]]) #0-A级 1-B级
test = np.array(test,dtype='float32')
#预测
(p1,p2) = svm.predict(test)
#第5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', '*')
plt.show()
#打印原始测试数据test，预测结果
print(test)
print(p2)

运行上述程序，会显示如下图所示的结果，图中左下角的方块代表测评成绩为A级的员工，右上角的小圆点代表测评成绩为B级的员工，另外的两个五角星代表需要分类的新入职员工。

同时，程序会在控制台输出如下运行结果：

[[99. 90.]
 [90. 99.]]
[[1.]
 [1.]]

或者其他结果

[[99. 90.]
 [90. 99.]]
[[0.]
 [0.]]

运行结果表明：
● 笔试成绩为99分，面试成绩为90分，对应的分类为1，即该员工一年后的测评可能为B级（表现良好）。
● 笔试成绩为90分，面试成绩为99分，对应的分类为1，即该员工一年后的测评可能为B级（表现良好）。
因为我们采用随机方式生成数据，所以每次运行时所生成的数据会有所不同，运行结果也就会有所差异。