一、SVM支持向量机

什么是SVM支持向量机？
SVM支持向量机本质仍是一个分类器，其核心为寻求一个最优超平面最终实现分类，实现分类问题
在寻求超平面的时候有多种方式，可以使用若干条直线或曲线进行分类，这里使用的是直线，即SVM核为线性核
SVM支持许多核，这里使用的是线性核
数据准备，即准备训练样本，需要有正负样本两种情况，正样本和负样本的个数不一定相同；在准备样本的时候一定要准备label标签，这个label标签唯一描述当前训练的数据，正是因为有了label标签才使得其是一个监督学习的过程；监督学习：在学习一个数据的时候进行监督其对与错，即判断其是0还是1
训练：创建SVM并且设置其属性
通过train方法完成训练
训练完成后调用predict方法进行预测

实现案例：通过两组男生和女生的一些身高和体重的信息，进行训练，最后对指定身高和体重的人进行判别其性别。男生为1，女生为0。

import cv2
import numpy as np
import matplotlib.pyplot as plt
#1 准备data  男生和女生的身高和体重
rand1 = np.array([[155,48],[159,50],[164,53],[168,56],[172,60]])#女生
rand2 = np.array([[152,53],[156,55],[160,56],[172,64],[176,65]])#男生

# 2 label 表示当前数据的唯一属性，例如这里的0表示女生，1表示为男生
label = np.array([[0],[0],[0],[0],[0],[1],[1],[1],[1],[1]])#这里将男女生给合并处理了，女生在前男生在后，所以这里的array为五个0和五个1

# 3 data
data = np.vstack((rand1,rand2))#垂直合并
data = np.array(data,dtype='float32')

# svm 所有的数据都要有label
# [155,48] -- 0 女生 [152,53] ---1  男生
# 监督学习 0 负样本 1 正样本

# 4 训练
svm = cv2.ml.SVM_create() # ml  机器学习模块、SVM_create() 创建
# 属性设置
svm.setType(cv2.ml.SVM_C_SVC) # svm type
svm.setKernel(cv2.ml.SVM_LINEAR) # line
svm.setC(0.01)
# 训练
result = svm.train(data,cv2.ml.ROW_SAMPLE,label)
# 预测
pt_data = np.vstack([[167,55],[162,57]]) #0 女生 1男生
pt_data = np.array(pt_data,dtype='float32')
print(pt_data)
(par1,par2) = svm.predict(pt_data)
print(par1)
print(par2)