OpenCV 學習筆記 07 支持向量機SVM（flag）

1 SVM 基本概念

本章節主要從文字層面來歸納性理解 SVM。

支持向量機（support vector machine，簡SVM）是二類分類模型。

在機器學習中，它在分類與迴歸分析中分析數據的監督式學習模型及相關的學習算法；在給定的一組訓練實例中，每一個訓練實例會被標記其屬性類別（兩個類別中的一個），是非機率的二元線性分類器。

SVM模型是將採用儘量寬的、明顯的間隔將實例分開，使得實例分屬不一樣的空間；而後將新的實例映射到某一空間，基於新的實例所屬空間來預測其類別。

SVM 除了可進行線性分類外，還能夠採用核技巧進行非線性分類，將其輸入隱式映射到高維特徵空間中。

更正式地來講，支持向量機在高維或無限維空間中構造超平面或超平面集合，其能夠用於分類、迴歸或其餘任務。直觀來講，分類邊界距離最近的訓練數據點越遠越好，由於這樣能夠縮小分類器的泛化偏差。

簡單地說，SVM屬於二類分類模型，當在平面直角座標系中，理解爲二元線性分類器，當構造高維的超平面時，能夠實現非線性分類運算。

摘自維基百科 - 支持向量機

2 SVM 的數學邏輯實現過程

本章節主要是實現 SVM 的數學邏輯推導。

該部份內容主要參考內容有：

從超平面到SVM（一）

從超平面到 SVM（二）

支持向量機通俗導論（理解SVM的三層境界）

計算機視覺—人臉識別（Hog特徵+SVM分類器）（8） - SVM支持向量機

支持向量機（SVM）的分析及python實現

3 SVM 的python代碼實現過程

本章節主要基於第二章節數學推導過程內容，使用 python 語言實現 SVM 的推導過程

支持向量機SVM通俗理解（python代碼實現）

 

4 SVM 的代碼應用實例

 

本章節主要講述 opencv 中和 svm 有關的函數。

 

 

如今學習的時候先作個flag吧，把脈絡概要學習一遍，再回頭認真學習該基礎理論。