用SVM实现机器学习与预测

# 1. 思想    分类器
# 2. SVM本质 寻求一个最优的超平面   分类
# 3. svm 核:line
# 4. 数据    样本
# 5. 训练   SVM_create()     train()       predict
# 身高体重    训练  预测
import cv2
import numpy as np
import matplotlib.pylab as plt
# 1  数据准备
rand1 = np.array([[155,48],[159,50],[164,53],[168,56],[172,60]])
rand2 = np.array([[152,53],[156,55],[160,56],[172,64],[176,65]])
# 2 lable 
lable = np.array([[0],[0],[0],[0],[0],[1],[1],[1],[1],[1]])

# 3 data
data = np.vstack((rand1,rand2))
data = np.array(data,dtype="float32")

# SVM 所有的数据必须有标签  lable
# [155,48]->0 女生     [152,53]->1   男生
# 监督学习    0   负样本     1   正样本的数据
#   4   训练
svm = cv2.ml.SVM_create()    #  ml 机器学习模块   SVM_create()创建
# 属性设置
svm.setType(cv2.ml.SVM_C_SVC)    #  svm   type
svm.setKernel(cv2.ml.SVM_LINEAR)   #  线性   line  内核
svm.setC(0.01)
# 训练
result = svm.train(data,cv2.ml.ROW_SAMPLE,lable)
# 预测
pt_data = np.vstack([[167,55],[162,57]])  # 0 女生    1   男士

pt_data = np.array(pt_data,dtype="float32")
print(pt_data)
(par1,par2)=svm.predict(pt_data)
print(par2)

 

猜你喜欢

转载自blog.csdn.net/qq_15256443/article/details/84135933