PCA+SVM

最新推荐文章于 2024-03-04 15:49:10 发布

思考实践

最新推荐文章于 2024-03-04 15:49:10 发布

阅读量4.2k

点赞数

分类专栏：人工智能、机器学习、深度学习

本文链接：https://blog.csdn.net/weixin_43332715/article/details/119378773

版权

人工智能、机器学习、深度学习专栏收录该内容

106 篇文章 9 订阅

订阅专栏

正文：

首先，让我们了解 PCA 和 SVM 是什么：主成分分析：主成分分析（PCA）是一种机器学习算法，广泛应用于探索性数据分析和建立预测模型，它通常用于降维，通过将每个数据点投影到前几个主成分上，以获得低维数据，同时尽可能保留数据的变化。

现在，让我们用更简单的术语来理解算法：假设我们现在正在收集数据，我们的数据集产生了多个变量、多个特征，所有这些都会在不同方面影响结果。我们可能会选择删除某些特征，但这意味着会丢失信息。因此我们开源使用另一种减少特征数量（减少数据维数）的方法，通过提取重要信息并删除不重要的信息来创建新的特征，这样，我们的信息就不会丢失，但起到减少特征的作用，而我们模型的过拟合几率也会减少。支持向量机支持向量机（SVM）是一种用于两组分类问题的有监督机器学习模型，在为每个类别提供一组带标签的训练数据后，他们能够对新的测试数据进行分类。

支持向量机基于最大化间隔的平面对数据进行分类，决策边界是直的。支持向量机是一种很好的图像分类算法，实验结果表明，支持向量机在经过 3－4 轮相关优化后，其搜索精度明显高于传统的查询优化方案，这对于图像分割来说也是如此，包括那些使用改进的支持向量机。Marco Peixeiro 的文章解释了需要有一个最大间隔超平面来分类数据，开源帮助你更好地理解 SVM！人脸识别人脸是由许多像素组成的高维数据。高维数据很难处理，因为不能用二维数据的散点图等简单技术进行可视化。我们要做的是利用 PCA 对数据的高维进行降维处理，然后将其输入到 SVM 分类器中对图像进行分类。

Reference:

PCA+SVM简介：https://www.eefocus.com/sensor/480087

PCA详解：https://zhuanlan.zhihu.com/p/77151308

SVM详解:https://zhuanlan.zhihu.com/p/31886934