SVM从零开始 (二) 　训练

最新推荐文章于 2023-02-05 11:53:39 发布
最新推荐文章于 2023-02-05 11:53:39 发布
阅读量1.2k 收藏 11
点赞数
分类专栏： SVM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zjc910997316/article/details/98943969
版权

本节： 以训练为主线介绍

零　创建路径部分代码


# /=== === === ===> 1:创建路径-start <=== === === ===\
# => 分别创建训练路径,测试路径
def creat_fold():
    mkdir_train()  # 不存在文件夹就创建
    mkdir_test()


# => 创建存放训练图片路径的文件夹
def mkdir_train():
    if not os.path.exists(train_feat_path):
        os.mkdir(train_feat_path)


# => 创建存放测试图片路径的文件夹
def mkdir_test():
    if not os.path.exists(test_feat_path):
        os.mkdir(test_feat_path)
# \=== === === ===> 1:创建路径-end <=== === === ===/

一 训练部分代码


# /=== === === ===> 2:训练stage-start <=== === === ===\
# /=== ===> 1)训练准备,提取特征,训练 <=== ===\
def train_stage(train_feat_path):
    shutil.rmtree(train_feat_path)  # 递归删除文件夹下所有文件子文件,包括此文件train
    mkdir_train()  # 删除之后重新创建　train
    extra_feat_train()  # 获取训练特征并保存在文件夹 === ===> 2)提取特征
    nk_train()  # 训练                           === ===> 3)训练
# \=== ===> 1)训练准备,提取特征,训练 <=== ===/


# /=== ===> 2)提取特征 <=== ===\
def extra_feat_train():
    t_extra0 = time.time()  # 计时start
    train_name, train_label = get_name_label(train_label_path)  # =>获得图片名称,对应的类别
    # train_label_path = image_train\train.txt
    train_image = get_image_list(train_image_path, train_name)  # =>获得图片列表
    # train_image_path = image_train\
    get_feat(train_image, train_name, train_label, train_feat_path)
    t_extra1 = time.time()  # 计时end
    print('训练特征提取结束,', '特征提取耗时是 : %f' % (t_extra1 - t_extra0) + '\n')


# =>从txt获得'图片名称list',对应的'类别list'
def get_name_label(file_path):  # file_path = train_label_path = image_train\train.txt
    print("read label from ", file_path)
    name_list = []  # 用于存储名字的列表
    label_list = []  # 用于存储标签的列表
    with open(file_path) as f:
        for line in f.readlines():
            # 一般是name label  三部分，所以至少长度为3 所以可以通过这个方法来忽略空白行
            if len(line) >= 3:
                name_list.append(line.split(' ')[0])  # 以空格划分为两部分,前面部分为[0], 后面为[1]
                label_list.append(line.split(' ')[1].replace('\n', '').replace('\r', ''))
                # \r代表回车，\n代表换行,　都替换成'', 也就是去掉
                if not str(label_list[-1]).isdigit():
                    # 因为[-1]是最后一个, 而每次append的最后一个都是最新的,检查它如果不是数字就报错
                    print("label必须为数字，得到的是：", label_list[-1], "程序终止，请检查文件")
                    exit(1)
    return name_list, label_list
    # 得到了两个列表,分别对应顺序放置　名字,标签 也是就是形如：
    # name_list=['tbj1.jpg', 'tbj2.jpg',..., 'dw1.jpg']
    # label_list=[1,1,...,2]


# =>获得'图片list'
def get_image_list(filePath, nameList):
    # x1: filePath = train_image_path = image_train\
    # x2: nameList = train_name = name_list 也就是上一个函数的第一个返回值, name_list=['tbj1.jpg', 'tbj2.jpg',..., 'dw1.jpg']
    print('read image from ', filePath)
    img_list = []
    for name in nameList:
        temp = Image.open(os.path.join(filePath, name))  # 形成一个完整的具体图片路径image_train\tbj1, 然后用Image打开
        # print('测试是否有后缀.jpg', os.path.join(filePath, name))  # txt文件在起名字的时候就要写成dw1.jpg
        # 测试是否有后缀.jpg image_train/337-4.jpg　
        # 这里我为了统计４个人一个人有几个照片起名方式为：337-4.jpg,　4表示第4个人zjc, 337表示这个人的第337个照片,上面列表dw1.jpg只是示意
        img_list.append(temp.copy())  # 把这个图片copy出来,送进列表
        temp.close()  # 关掉这个,进行下一个图片的copy
    # print('img_list[0]里面内容的格式', type(img_list[0]))
    # img_list[0]里面内容的格式 <class 'PIL.Image.Image'>
    # img_list = [<class 'PIL.Image.Image'>,...,<class 'PIL.Image.Image'>]
    return img_list


# =>提取特征并保存
def get_feat(image_list, name_list, label_list, savePath):
    # x1: image_list = train_image = img_list
    # 也就上一个函数def get_image_list 的返回值list放到是<class 'PIL.Image.Image'>格式的图片
    # x2: name_list = train_name 是def get_name_label的第一个返回值name_list=['tbj1.jpg', 'tbj2.jpg',..., 'dw1.jpg']
    # x3: label_list = train_label 是def get_name_label的第二个返回值label_list　=　[1,1,...,2]
    # x4: savePath = train_feat_path = train/ 特征被保存在这里
    i = 0
    for image in image_list:
        try:
            image = image.resize((64, 128))  # 调整图片大小,因为人高近似是宽的2倍
            # 如果是灰度图片  把3改为-1
            image = np.reshape(image, (image_height, image_width, 3))
        except:
            print('发送了异常，图片大小size不满足要求：', name_list[i])
            continue
        gray = rgb2gray(image) / 255.0
        # 提取hog特征, 根据需求改, 这句话根据你的尺寸改改
        fd = hog(gray, orientations=12, block_norm='L1', pixels_per_cell=[8, 8], cells_per_block=[4, 4],
                 visualize=False,
                 transform_sqrt=True)
        '''
        print('fd', fd)  # fd [  5.50173054e-04   5.32123593e-05   0.00000000e+00 ...,   2.04692958e-02]
        print('fd.shape', fd.shape)  # fd.shape (12480,)
        print('type(fd)', type(fd))  # type(fd) <class 'numpy.ndarray'>
        exit()
        '''
        fd = np.concatenate((fd, [label_list[i]]))  # =>形如：label_list　=　[1,1,...,2]　
        '''
        print('[label_list[i]]', [label_list[i]])  # [label_list[i]] ['1']
        print('type([label_list[i]])', type([label_list[i]]))  # type([label_list[i]]) <class 'list'>
        print('type(label_list[i])', type(label_list[i]))  # type(label_list[i]) <class 'str'>
        exit()
        '''
        # =>fd就是后面　===> 3)训练 <===　里面的data = job.lib.load()
        # 将image_list里面<class 'PIL.Image.Image'>格式图片resize, np.reshape之后与label_list　=　[1,1,...,2]对应
        fd_name = name_list[i] + '.feat'  # 对应名字name_list=['tbj1.jpg', 'tbj2.jpg',..., 'dw1.jpg']加后缀
        fd_path = os.path.join(savePath, fd_name)  # 前面加train/保存路径 = train/dw1.jpg.feat
        # print('fd_path', fd_path)  # train/001-1.jpg.feat
        joblib.dump(fd, fd_path)  # =>把相应的特征fd保存在对应的train/dw1.jpg.feat文件里面, 通过joblib的dump可以将模型保存到本地
        i += 1
    print("Test features are extracted and saved.")


# =>变成灰度图片
def rgb2gray(im):
    gray = im[:, :, 0] * 0.2989 + im[:, :, 1] * 0.5870 + im[:, :, 2] * 0.1140
    return gray
# \=== ===> 2)提取特征 <=== ===/


# /=== ===> 3)训练 <=== ===\
def nk_train():
    t_train0 = time.time()  # 计时start
    features = []
    labels = []
    # train_feat_path = 'train/', 此目录下所有后缀为.feat的文件分别逐个给feat_path进行操作
    for feat_path in glob.glob(os.path.join(train_feat_path, '*.feat')):
        data = joblib.load(feat_path)  # 通过joblib的load方法,加载保存的模型,在这里是加载hog特征eg: train/dw1.jpg.feat
        features.append(data[:-1])  # 去掉最后的标签的特征,　=>fd = np.concatenate((fd, [label_list[i]]))
        labels.append(data[-1])  # 只要最后的标签
    print("Training a Linear LinearSVM Classifier.")
    clf = LinearSVC()  # =>clf 1: 准备要训练的分类器clf
    clf.fit(features, labels)  # =>clf 2: 特征与标签匹配

    # 下面的代码是保存模型的
    if not os.path.exists(model_path):  # 如果模型路径不存在, model_path = 'model/', 就创建路径
        os.makedirs(model_path)
    joblib.dump(clf, model_path + 'model')  # =>clf 3: 通过joblib的dump可以将模型保存到本地'model/'的model文件中,clf是训练的分类器
    print("训练之后的模型存放在model文件夹中")
    # exit()
    t_train1 = time.time()  # 计时end
    print('训练耗时是 : %f' % (t_train1 - t_train0) + '\n')
# \=== ===> 3)训练 <=== ===/
# \=== === === ===> 2:训练stage-end <=== === === ===/

二　训练

１主函数如下

if __name__ == '__main__':

    creat_fold()　　# 创建文件

    train_stage(train_feat_path)  # 提取特征，并训练模型

    # predict_stage(test_feat_path)　　# 预测

1 创建文件:

1)

=> creat_fold()   # 让定义的函数实例化

定义的函数如下

=> def creat_fold():
=>     mkdir_train()  # 不存在文件夹就创建
=>     mkdir_test()

2)

创建的文件分别为

# 创建存放训练图片路径的文件夹
=> def mkdir_train():
=>     if not os.path.exists(train_feat_path):  # 如果此路径不存在
=>         os.mkdir(train_feat_path)  # 创建此路径

注意：train_feat_path = 'train/'

# 创建存放测试图片路径的文件夹
=> def mkdir_test():
=>     if not os.path.exists(test_feat_path):  # 如果此路径不存在
=>         os.mkdir(test_feat_path)

注意：test_feat_path = 'test/'

也就是看看这个 train test 文件夹 存在不存在，不存在就创建

2 训练阶段

if __name__ == '__main__':

    creat_fold()　　# 创建文件

    train_stage(train_feat_path)  # 提取特征，并训练模型

    # predict_stage(test_feat_path)　　# 预测

实例化train_stage()函数

=> train_stage( train_feat_path )  # 提取特征，并训练模型

1) 训练准备,提取特征, 训练

=> def train_stage(train_feat_path):
=>     shutil.rmtree(train_feat_path)  # 递归删除文件夹下所有文件子文件,包括此文件train
=>     mkdir_train()  # 删除之后重新创建　train
=>     extra_feat_train()  # 获取训练特征并保存在文件夹
=>     nk_train()  # 训练

注意：train_feat_path = 'train/'

# 创建存放训练图片路径的文件夹
def mkdir_train():
    if not os.path.exists(train_feat_path):  # 如果此路径不存在
        os.mkdir(train_feat_path)  # 创建此路径

2)提取特征

# 提取特征
def extra_feat_train():
    t_extra0 = time.time()  # 计时start
    train_name, train_label = get_name_label(train_label_path)  # =>获得图片名称,对应的类别
　# train_label_path = image_train\train.txt
    train_image = get_image_list(train_image_path, train_name)  # =>获得图片列表
    get_feat(train_image, train_name, train_label, train_feat_path)
    t_extra1 = time.time()  # 计时end
    print('训练特征提取结束,', '特征提取耗时是 : %f' % (t_extra1 - t_extra0) + '\n')

 

get_name_label

# =>从txt获得'图片名称list',对应的'类别list'
def get_name_label(file_path):  # file_path = train_label_path = image_train\train.txt
    print("read label from ", file_path)
    name_list = []  # 用于存储名字的列表
    label_list = []  # 用于存储标签的列表
    with open(file_path) as f:
        for line in f.readlines():
            # 一般是name label  三部分，所以至少长度为3 所以可以通过这个方法来忽略空白行
            if len(line) >= 3:
                name_list.append(line.split(' ')[0])  # 以空格划分为两部分,前面部分为[0], 后面为[1]
                label_list.append(line.split(' ')[1].replace('\n', '').replace('\r', ''))
                # \r代表回车，\n代表换行,　都替换成'', 也就是去掉
                if not str(label_list[-1]).isdigit(): 
                    # 因为[-1]是最后一个, 而每次append的最后一个都是最新的,检查它如果不是数字就报错
                    print("label必须为数字，得到的是：", label_list[-1], "程序终止，请检查文件")
                    exit(1)
    return name_list, label_list

# 得到了两个列表,分别对应顺序放置　名字,标签 也是就是形如：
# name_list=['tbj1', 'tbj2',..., 'dw1']
# label_list=[1,1,...,2]

 

 

get_image_list

# =>获得'图片list'
def get_image_list(filePath, nameList):
    # x1: filePath = train_image_path = image_train\
    # x2: nameList = train_name = name_list 也就是上一个函数的第一个返回值, name_list=['tbj1.jpg', 'tbj2.jpg',..., 'dw1.jpg']
    print('read image from ', filePath)
    img_list = []
    for name in nameList:
        temp = Image.open(os.path.join(filePath, name))  # 形成一个完整的具体图片路径image128\tbj1, 然后用Image打开
        # print('测试是否有后缀.jpg', os.path.join(filePath, name))  # txt文件在起名字的时候就要写成dw1.jpg
        # 测试是否有后缀.jpg image_train/337-4.jpg　
        # 这里我为了统计４个人一个人有几个照片起名方式为：337-4.jpg,　4表示第4个人zjc, 337表示这个人的第337个照片,上面列表dw1.jpg只是示意
        img_list.append(temp.copy())  # 把这个图片copy出来,送进列表
        temp.close()  # 关掉这个,进行下一个图片的copy
    # print('img_list[0]里面内容的格式', type(img_list[0])) 
    # img_list[0]里面内容的格式 <class 'PIL.Image.Image'>
    return img_list

 

get_feat

# =>提取特征并保存
def get_feat(image_list, name_list, label_list, savePath):
    # x1: image_list = train_image = img_list
    # 也就上一个函数def get_image_list 的返回值list放到是<class 'PIL.Image.Image'>格式的图片
    # x2: name_list = train_name 是def get_name_label的第一个返回值name_list=['tbj1.jpg', 'tbj2.jpg',..., 'dw1.jpg']
    # x3: label_list = train_label 是def get_name_label的第二个返回值label_list　=　[1,1,...,2]
    # x4: savePath = train_feat_path = train/ 特征被保存在这里
    i = 0
    for image in image_list:
        try:
            image = image.resize((64, 128))  # 调整图片大小,因为人高近似是宽的2倍
            # 如果是灰度图片  把3改为-1
            image = np.reshape(image, (image_height, image_width, 3))
        except:
            print('发送了异常，图片大小size不满足要求：', name_list[i])
            continue
        gray = rgb2gray(image) / 255.0
        # 提取hog特征, 根据需求改, 这句话根据你的尺寸改改
        fd = hog(gray, orientations=12, block_norm='L1', pixels_per_cell=[8, 8], cells_per_block=[4, 4],
                 visualize=False,
                 transform_sqrt=True)
       '''
       print('fd', fd)  # fd [  5.50173054e-04   5.32123593e-05   0.00000000e+00 ...,   2.04692958e-02]
       print('fd.shape', fd.shape)  # fd.shape (12480,)
       print('type(fd)', type(fd))  # type(fd) <class 'numpy.ndarray'>
       exit()
       '''
        fd = np.concatenate( ( fd, [ label_list[i] ] ) ) 
        # =>形如：[ label_list[0] ]　=　[1]     label_list　=　[1,1,...,2]
        # 将image_list里面<class 'PIL.Image.Image'>格式图片resize, np.reshape之后与label_list　=　[1,1,...,2]对应
        '''
        print('[label_list[i]]', [label_list[i]])  # [label_list[i]] ['1']
        print('type([label_list[i]])', type([label_list[i]]))  # type([label_list[i]]) <class 'list'>
        print('type(label_list[i])', type(label_list[i]))  # type(label_list[i]) <class 'str'>
        '''
        # =>fd就是后面　===> 3)训练 <===　里面的data = job.lib.load()
        # 将image_list里面<class 'PIL.Image.Image'>格式图片resize, np.reshape之后与label_list　=　[1,1,...,2]对应
        fd_name = name_list[i] + '.feat'  # 对应名字name_list=['tbj1.jpg', 'tbj2.jpg',..., 'dw1.jpg']加后缀
        fd_path = os.path.join(savePath, fd_name)  # 前面加train/保存路径 = train/dw1.jpg.feat
        print('fd_path', fd_path)
        joblib.dump(fd, fd_path)  # 把相应的特征fd保存在对应的train/dw1.jpg.feat文件里面， 通过joblib的dump可以将模型保存到本地
        i += 1
    print("Test features are extracted and saved.")

fd = np.concatenate((fd, [label_list[i]])) 

joblib.dump(fd, fd_path)  通过joblib的dump可以将模型保存到本地

joblib.dump():博客具体解释：https://blog.csdn.net/zjc910997316/article/details/84404233

rgb2gray

# =>变成灰度图片
def rgb2gray(im):
    gray = im[:, :, 0] * 0.2989 + im[:, :, 1] * 0.5870 + im[:, :, 2] * 0.1140
    return gray

3) 训练

def nk_train():
    t_train0 = time.time()  # 计时start
    features = []
    labels = []
    # train_feat_path = 'train/', 此目录下所有后缀为.feat的文件分别逐个给feat_path进行操作
    for feat_path in glob.glob(os.path.join(train_feat_path, '*.feat')):
        data = joblib.load(feat_path)  # 通过joblib的load方法,加载保存的模型,在这里是加载hog特征eg: train/dw1.jpg.feat
        features.append(data[:-1])  # 去掉最后的标签的特征,　=>fd = np.concatenate((fd, [label_list[i]]))
        labels.append(data[-1])  # 只要最后的标签
    print("Training a Linear LinearSVM Classifier.")
    clf = LinearSVC()  # =>clf 1: 准备要训练的分类器clf
    clf.fit(features, labels)  # =>clf 2: 特征与标签匹配

    # 下面的代码是保存模型的
    if not os.path.exists(model_path):  # 如果模型路径不存在, model_path = 'model/', 就创建路径
        os.makedirs(model_path)
    joblib.dump(clf, model_path + 'model')  # =>clf 3: 通过joblib的dump可以将模型保存到本地'model/'的model文件中,clf是训练的分类器
    print("训练之后的模型存放在model文件夹中")
    # exit()
    t_train1 = time.time()  # 计时end
    print('训练耗时是 : %f' % (t_train1 - t_train0) + '\n')

clf1准备：clf = LinearSVC()  # from sklearn.svm import LinearSVC
clf2匹配：clf.fit(features, labels)
clf3保存： joblib.dump(clf, model_path + 'model')

model/model 没看做这个模型就叫 model

 

 

 

 

 

 

 

 

 

 

指令说明：

1 shutil.rmtree()

shutil.rmtree() 表示递归删除文件夹下的所有子文件夹和子文件。


因此如果想删除E盘下某个文件夹，可以用

shutil.rmtree('E:\\myPython\\image-filter\\test', ignore_errors=True)

这样 test 文件夹内的所有文件（包括 test 本身）都会被删除，并且忽略错误。
 

2 .copy()

temp = Image.open(os.path.join(filePath, name))

temp.copy()

3 fd = np.concatenate((fd, [label_list[i]])) 

4 joblib.dump(fd, fd_path) 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

计算机视觉-Archer
关注
  • 0
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
利用svm进行模型训练
SmartDemo的博客
12-14 1039
1、将文本数据转换为特征向量 ： tf-idf2、使用这些特征向量训练SVM模型。
RCNN网络源码复现（Ⅴ） --- 训练SVM二分类模型的训练过程
qq_41694024的博客
12-18 1003
RCNN网络源码解读（Ⅴ） --- 训练SVM二分类模型的训练过程
SVM模型训练和调参
weixin_58222015的博客
02-05 2872
svm调参
基于MATLAB的SVM支持向量机的数据分类仿真，包括训练和测试
FPGA/MATLAB学习教程/源码/项目合作开发
02-05 4088
而传统的基于神经网络的学习理论，往往需要较大数量的样本作为训练数据，因此传统的神经网络学习方法其对样本数量的依赖性较大。通过SVM支持向量机的分类算法，其首先需要对数据进行预处理，将维度较高的特征数据转换为低维度的特征数据，然后通过一个非线性映射函数产生一个对数据进行分割的超平面。下面对这两种SVM的基本原理进行介绍。将分组后的火特征数据以及非火特征数据组合成一个数据，然后再加入1和0的标志位进行训由于Final_Fire0，Final_Fire1是MXN类型的数据，所以将其转换为1XM的数据。
scikit-learn学习之SVM算法
weixin_33835690的博客
05-04 1090
====================================================================== 本系列博客主要参考 Scikit-Learn 官方网站上的每一个算法进行，并进行部分翻译，如有错误，请大家指正 转载请注明出处，谢谢 ================================...
从零开始学习SVM
02-25
本文来源于csdn，从最简单的视角分享机器学习的过程，从零开始一点一滴学习SVM算法。SVM是最经典的分类算法之一，笔者觉得难度却是机器学习算法中最难的，对于没有数学基础的同学来说更是一头雾水。笔者作为一个初入...
从零开始手写主流机器学习算法.zip
最新发布
04-12
随着统计学的发展，统计学习在机器学习中占据了重要地位，支持向量机（SVM）、决策树和随机森林等算法的提出和发展，使得机器学习能够更好地处理分类、回归和聚类等任务。进入21世纪，深度学习成为机器学习领域的...
从零开始支持向量机的随机次梯度下降算法的Python实现_python_代码_下载
06-08
Python从零开始实现SVM的随机梯度下降算法 1. SVM 介绍 2.读取数据集 3.特征工程 4.拆分数据集 5.成本函数 6.成本函数的梯度 7.使用 SGD 训练模型 8. SGD 的停止标准 9.测试模型 10.特征具有相关性和 P 值的选择
matlab输入函数公式代码-Multiclass-SVM-from-scratch:在Matlab中从头开始实现多类SVM
06-16
matlab输入函数公式代码从零开始的多类 SVM 在 Matlab 中从头开始实现多类（一对一）支持向量机 该存储库旨在从头开始构建 SVM（用于对多个类进行分类）。 它使用一对一的方法对数据进行分类。 它不能保证产生最好的...
SVM训练样本方法总结（用于目标识别）
四维空间
05-17 3268
http://blog.csdn.net/xw20084898/article/details/21389885 原文链接
SVM算法的综合应用练习
qq_46689721的博客
11-18 996
文章目录1、训练并写出决策函数的数学公式2、建立人脸识别数据集2.1、采集人脸数据集2.2、建立特征数据集 1、训练并写出决策函数的数学公式                                    2、建立人脸识别数
【SVM模型训练】
weixin_40744387的博客
02-02 296
SVM
python特征提取方法 光谱_Python进行特征提取的示例代码
weixin_29038303的博客
02-10 2075
#过滤式特征选择#根据方差进行选择，方差越小，代表该属性识别能力很差，可以剔除from sklearn.feature_selection import VarianceThresholdx=[[100,1,2,3],[100,4,5,6],[100,7,8,9],[101,11,12,13]]selector=VarianceThreshold(1) #方差阈值值，selector.fit(x)...
svm 彻底的过程
weixin_42939090的博客
01-23 598
SVM样本训练步骤 转载自：http://blog.csdn.net/xw20084898/article/details/21389885 在这里再次感谢博主的分享 1、引言 近期在做飞形体目标识别的研究，需要做SVM训练来生成识别的分类器。从网上找了大量的参考文章，但是发现很多文章都讲的比较零散。鉴于此原因，本文对SVM训练过程做一个较为系统的总结，希望对广大初学者有所帮助。 2、步骤 （1）...
SVM训练及预测过程
Alpine_Climbing的专栏
03-01 7426
网上有很多关于LibSVM的教程，LibSVM提供了多平台下的可执行文件，在win平台下可以直接通过命令行执行，可以利用提供的可执行文件方便的进行离线的训练和预测，这里不再赘述。这篇文章要做的是把SVM的训练及预测的过程移植到程序当中的方法进行简单阐述，而不是使用提供的可执行文件。     过程首先要建立工程，这里以VC6.0为例，建立好工程后，需要将LibSVM中的svm.h和svm.cpp文
SVM支持向量机-----学习笔记整理
weixin_34280060的博客
03-21 1968
SVM支持向量机 1、定义 SVM全称是support vector machine(支持向量机)，即寻找一个超平面使样本分成两类，并且间隔最大 SVM能够执行线性或非线性分类、回归、甚至是异常值检测任务。 SVM特别适用于中小型复杂数据集的分类 2、超平面最大间隔 左图虚线表现非常不好。实线边界与实例过于接近，导致在面对新实例时，可能表现不会太好。 右图中的实线代表SVM分类器的决策边界，不仅分离了两个类别，且尽可能远离最近的训练实例 3、硬间隔和软间隔 3.1、硬间隔分类 上图1左边的表现 缺点：1、
机器学习——支持向量机SVM之python实现简单实例一（含数据预处理、交叉验证、参数优化等）
热门推荐
python_AI_fans的博客
06-08 1万+
本文通过一个简单的例子来讲述了用python实现SVM分类，内容详细
支持向量机通俗导论（理解SVM的三层境界）
用法之妙，存乎一心。
09-12 3846
支持向量机通俗导论（理解SVM的三层境界） 作者：July ；致谢：pluskid、白石、JerryLead、画儿。 出处：结构之法算法之道blog。 前言     动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也
svm车牌识别怎么开始训练
06-06
SVM（支持向量机）车牌识别的训练过程需要以下几个步骤： 第一步，准备数据。需要一个包含多张车牌图片并且已经标注好车牌号码的数据集。这些图片最好包含不同的车牌形状、颜色和背景。 第二步，将车牌图片进行预处理。包括图像灰度化、二值化、去除噪声和字符切割等操作，以便于让训练模型更加准确地分辨车牌中的字符。 第三步，提取特征。根据车牌图片中的字符特征，如字符的颜色、形状、大小等，提取出合适的特征向量，以便让SVM模型能够将不同字符分类出来。 第四步，设置SVM参数。需要选取适当的核函数、惩罚系数和容差等参数，以保证分类器能够在训练集中有良好的分类效果。 第五步，训练模型。将准备好的数据集输入SVM分类器，让其根据提取出的特征向量不断优化模型，使其在车牌字符的识别上具有更好的准确性。 第六步，测试模型。将测试集输入训练好的SVM模型，测试其在未知数据上的分类效果，如果表现良好则可以使用它来进行车牌识别操作。 总之，SVM车牌识别的训练过程需要充分准备数据、进行预处理、特征提取和模型训练等步骤，以保证训练出来的模型能够在实际应用中具有较高的准确性和稳定性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

计算机视觉-Archer

图像分割没有团队的同学可加群

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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