後のサポートベクターマシンのスタートコードチュートリアルのSVMの原理を理解してください。
特定の分類の考えは、非常に明確に指摘しています。
＃1 アイデア分類器 ＃2 どのように？最適な分類超平面探している ＃3 の核を：ライン ＃4 のデータ：サンプル ＃5 訓練列車がSVM_createの予測 ＃のSVMは、本質的に最適な分類超平面求めている ＃のSVMの核：ライン ＃の身長と体重トレーニング予測 インポートCV2の インポートnumpyのをAS NP インポートmatplotlib.pyplot AS PLTの ＃1 の調製男の子と女の子の二つのクラスのデータ・サンプル・データ、身長および体重を調製 RAND1 = np.array（[ 155、48 ]、[ 159、50 ]、[ 164は、53れています ]、[ 168、56である ]、[ 172、60 ]]） RAND2 = np.array（[ 152、53である ]、[ 156、55 ]、[ 160は、56である ]、[ 172、64 ]、[ 176、65 ]]） ＃2 タグ・ラベル（および0.1） ラベル = np.array（[[ 0 ]、[ 0 ]、[ 0 ]、[ 0 ]、[ 0 ]、[ 1 ]、[ 1 ]、[ 1 ]、[ 1 ] [ 1 ]） ＃3 データ データ = np.vstack（（RAND1、RAND2）） データ = np.array（データ、DTYPE = ' のfloat32 ' ） SVM位は、すべてのデータラベル有していなければならない ＃[ 155、48 - ] 0女の子[ 152を、53 ] --- 1人の 男の子 ＃学習-supervised 0陰性サンプル1つの陽性サンプル ＃4 トレーニング SVM = cv2.ml.SVM_create（）＃mlの機械学習モジュールSVM_create（）を作成するため に＃プロパティ （cv2.ml.SVM_C_SVCをsvm.setTypeをタイプの）＃1 SVM svm.setKernel（cv2.ml.SVM_LINEAR）＃ライン svm.setC（0.01 ） ＃トレーニング 結果 = svm.train（データ、cv2.ml.ROW_SAMPLE、ラベル） ＃予測 pt_data = np.vstack（[ 167は、55 [、] 162、57である ]]）＃0 少女1人の少年 pt_data = NP .ARRAY（pt_data、DTYPE = ' のfloat32 ' ） 印刷（pt_data） （PARl、PAR2） = svm.predict（pt_data） 印刷（PAR2）