OpenCV 学习笔记 07 支持向量机SVM（flag）

1 SVM 基本概念

本章节主要从文字层面来概括性理解 SVM。

支持向量机（support vector machine，简SVM）是二类分类模型。

在机器学习中，它在分类与回归分析中分析数据的监督式学习模型及相关的学习算法；在给定的一组训练实例中，每个训练实例会被标记其属性类别（两个类别中的一个），是非概率的二元线性分类器。

SVM模型是将采用尽可能宽的、明显的间隔将实例分开，使得实例分属不同的空间；然后将新的实例映射到某一空间，基于新的实例所属空间来预测其类别。

SVM 除了可进行线性分类外，还可以采用核技巧进行非线性分类，将其输入隐式映射到高维特征空间中。

更正式地来说，支持向量机在高维或无限维空间中构造超平面或超平面集合，其可以用于分类、回归或其他任务。直观来说，分类边界距离最近的训练数据点越远越好，因为这样可以缩小分类器的泛化误差。

简单地说，SVM属于二类分类模型，当在平面直角坐标系中，理解为二元线性分类器，当构造高维的超平面时，可以实现非线性分类运算。

摘自维基百科 - 支持向量机

2 SVM 的数学逻辑实现过程

本章节主要是实现 SVM 的数学逻辑推导。

该部分内容主要参考内容有：

从超平面到SVM（一）

从超平面到 SVM（二）

支持向量机通俗导论（理解SVM的三层境界）

计算机视觉—人脸识别（Hog特征+SVM分类器）（8） - SVM支持向量机

支持向量机（SVM）的分析及python实现

3 SVM 的python代码实现过程

本章节主要基于第二章节数学推导过程内容，使用 python 语言实现 SVM 的推导过程

支持向量机SVM通俗理解（python代码实现）

4 SVM 的代码应用实例

 

本章节主要讲述 opencv 中和 svm 有关的函数。

 

 

现在学习的时候先做个flag吧，把脉络概要学习一遍，再回头认真学习该基础理论。