22、机器学习与计算机视觉：SVM及人脸处理技术详解

机器学习与计算机视觉：SVM及人脸处理技术详解

1. 机器学习模型的训练与优化

在机器学习模型的开发过程中，一种有效的方法是从基础近似开始，尽快着手解决问题。如果获得的准确率不够理想，可以通过添加更好的预处理步骤、采用更高级的特征描述符或运用其他机器学习技术来迭代改进模型。必要时，还应收集更多数据用于模型的训练和测试。

以手写数字识别为例，当k = 2，使用90%的数字进行训练，10%的数字进行测试时，识别准确率达到了98.60%，相较于之前的92.60%有了显著提升。

2. 支持向量机（SVM）概述

支持向量机（Support Vector Machine，SVM）是一种监督学习技术，它通过在高维空间中构建一个或一组超平面，根据训练样本的类别对其进行最佳分离。

在OpenCV中，SVM的实现基于LIBSVM库。创建一个空的SVM模型可以使用 cv2.ml.SVM_create() 函数，然后需要为模型分配主要参数，具体如下：
| 参数 | 说明 | 可能取值 |
| ---- | ---- | ---- |
| svmType | 设置SVM的类型 | SVM_C_SVC（用于n类分类，n ≥ 2）、NU_SVC、ONE_CLASS、EPS_SVR、NU_SVR |
| kernelType | 设置SVM的核函数类型 | LINEAR（线性核）、POLY（多项式核）、RBF（径向基函数核，多数情况下是不错的选择）、SIGMOID（Sigmoid核）、CHI2（指数Chi2核，类似于RBF核）、INTER（直方图相交核，速度较快） |
| degree | 核函数（P