本文详细介绍了支持向量机（SVM）的概念，强调其作为Large Margin分类器的优势，并探讨了线性分类器和超平面。接着，文章对比了OpenCV与Libsvm两个库在Python和C++版本中的SVM实现，包括训练、预测和参数调整，指出OpenCV SVM在某些场景下可能具有更高的准确率。同时，提到了Libsvm的安装和使用，以及如何获取预测置信度。
一、简述
以二维平面上的分类为例，下面给出了不同的分类可能，哪个才是最优的分类呢？
可以看出第一种分类方法是最好的，为什么呢？因为它的分类平面到两类边界的距离（Margin）最大。
所以SVM也叫Large Margin分类器。
各种资料对它评价甚高，说“ 它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中”。
SVM之线性分类器
如果一个线性函数能够将样本完全正确的分开，就称这些数据是线性可分的，否则称为非线性可分的。
什么叫线性函数呢？在一维空间里就是一个点，在二维空间里就是一条直线，三维空间里就是一个平面，以此类推。
如果不关注空间的维数，这种线性函数就是前言中所说的那个统一的名称——超平面（Hyper Plane）！
在样本空间中，划分超平面可通过如下线性方程来描述：
如图：
在这两个超平面上的样本点也就是理论上离分隔超平面最近的点，是它们的存在决定了H1和H2的位置，支撑起了分界线，它们就是所谓的支持向量，这就是支持向量机的由来
有了这两个超平面就可以顺理成章的定义上面提到的间隔（margin）了
二维情况下 ax+by=c1和ax+by=c两条平行线的距离公式为：
而且这是一个凸二次规划问题，一
最低0.47元/天 解锁文章
扫一扫
360
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
