#|机器学习（18）-- SVM支持向量机（根据身高体重分类性别）机器学习|python|人工智能|机器

目录
一、基础理论
二、身高体重预测性别
1、获取数据（男女生身高体重）
2、数据处理（合并数据）
3、设置标签
4、创建分类器（支持向量机）
4-1、创建svm分类器
4-2、设置分类器属性（线性核）
5、训练
6、预测
总代码
一、基础理论

SVM本质：寻求一个最优的超平面进行分类。（分类器）
SVM核：支持很多核（这里主要使用线性核）

文章图片

左图分类比较简单，一条线就可以分类；
但右图一条线明显无法完成分类，这时则需要多条线甚至曲线才能完成分类。
【#|机器学习（18）-- SVM支持向量机（根据身高体重分类性别）】
这里用的是监督学习，所以必须要有label标签（即目标值）。

二、身高体重预测性别 1、获取数据（男女生身高体重）获取男女生身高体重（训练集、测试集）

# 训练集 girls_train = np.array([[155, 48], [159, 50], [165, 55], [158, 55], [170, 58]]) boys_train = np.array([[162, 56], [182, 68], [175, 62], [180, 72], [178, 66]]) # 测试集 girls_test = np.array([[152,46], [164,55]]) boys_test = np.array([[175,64], [182, 67]])

2、数据处理（合并数据）

# 2 合并数据（并转浮点型，svm需要） data = https://www.it610.com/article/np.vstack((girls_train, boys_train)) data = np.array(data, dtype='float32') print(data) predict_data = https://www.it610.com/article/np.vstack((girls_test, boys_test)) predict_data = np.array(predict_data, dtype='float32') print(predict_data)

3、设置标签

# 3 设置标签（监督学习的目标值）（0：负样本；1：正样本） label = np.array([[0],[0],[0],[0],[0],[1],[1],[1],[1],[1]])

4、创建分类器（支持向量机） 4-1、创建svm分类器

# 4-1 创建svm分类器 svm = cv2.ml.SVM_create()

4-2、设置分类器属性（线性核）

# 4-2 设置分类器属性 svm.setType(cv2.ml.SVM_C_SVC)#svm 类型 svm.setKernel(cv2.ml.SVM_LINEAR)#设置内核：线性核（最关键） svm.setC(0.01)

5、训练根据训练集和目标集，进行监督学习。

# 5 训练 svm.train(data, cv2.ml.ROW_SAMPLE, label)

6、预测

# 6 预测 print(svm.predict(predict_data))

文章图片

可以看到，结果预测成功，前面两个是女的（0），最后2个是男的（1），达到了想要的效果。

文章图片

总代码

# SVM支持向量机（根据身高体重预测性别） import cv2 import numpy as np# 1 获取数据（男女生身高体重） # 训练集 girls_train = np.array([[155, 48], [159, 50], [165, 55], [158, 55], [170, 58]]) boys_train = np.array([[162, 56], [182, 68], [175, 62], [180, 72], [178, 66]]) # 测试集 girls_test = np.array([[152,46], [164,55]]) boys_test = np.array([[175,64], [182, 67]])# 2 合并数据（并转浮点型，svm需要） train_data = https://www.it610.com/article/np.vstack((girls_train, boys_train)) train_data = np.array(train_data, dtype='float32') print(train_data) test_data = https://www.it610.com/article/np.vstack((girls_test, boys_test)) test_data = np.array(test_data, dtype='float32') print(test_data)# 3 设置标签（监督学习的目标值）（0：负样本；1：正样本） label = np.array([[0],[0],[0],[0],[0],[1],[1],[1],[1],[1]]) # print(label)# 4 创建分类器（支持向量机） # 4-1 创建svm分类器 svm = cv2.ml.SVM_create()# 4-2 设置分类器属性 svm.setType(cv2.ml.SVM_C_SVC)#svm 类型 svm.setKernel(cv2.ml.SVM_LINEAR)#设置内核：线性核（最关键） svm.setC(0.01)# 5 训练 svm.train(train_data, cv2.ml.ROW_SAMPLE, label) #训练集标签（目标集）# 6 预测 print(svm.predict(test_data))