OpenCV-Python 中的实战 - 使用 SVM 算法检测手写数字
- 前言
- 用于手写数字识别的 SVM
- C和伽马参数对手写数字识别准确性的影响
- 完整代码
- 相关链接
前言
支持向量机 (Support Vector Machine,SVM
这是一项监测学习的战略。它最大限度地根据特定类别对培训数据进行分离。因此,在一个高维空间,建造一个或多个超级飞机。在博文
真实世界 OpenCV- Python 冲突 (13) - OpenCV 与机器学习发生碰撞
中，我们已经知道怎么在这里了
OpenCV中实现和训练SVM等级和如何应用这些等级的基本范例SVM在文章中,我们将学习如何使用算法。SVM为了取得最大性能,分类员进行手写数字识别,同时调查不同参数对模型性能的影响。SVM分类器。
用于手写数字识别的 SVM
我们之前在《KNN Algorithms的使用情况》中讨论过这个问题,以识别手写号码。
MNIST手写数字数据集及其应用KNN数字数字由算法确认,数字图则由预处理(通过预处理)进行预处理。desew()使用高级说明器(功能)和高级说明器(功能)HOG
因此,将不再重复同样的材料,而是直接用于在KNN数字识别码中引入预处理和预处理。
HOG特征，利用SVM算法将数码照片分类。
数据最初装入并分为两组:培训和测试:
接下来，初始化SVM，并进行训练：
使用上方图中的默认参数。SVM当使用70%的数字图像培训技术时,模型的精确率可能达到98,然后我们再进行修改。SVM该模型的参数C和伽马用于确定该模型是否可以升级。
C和伽马参数对手写数字识别准确性的影响
SVM模型在使用RBF在核能方面,有两个关键数量需要考虑:C和伽马,我们在前一案例中使用了这两个数量。C=12.5和γ=0.50625由于参数、C和Gamma设置取决于某些数据集,因此,必须使用某种技术搜索参数,在此情况下利用网格搜索适当的参数C和Gamma。
最后，可视化结果：
行动取得了以下成果:
如图像所示,可以使用若干参数达到25%左右的精确率。KNN分类器和SVM分类器在手写数字识别任务中的性能。 我们可以使用手写数字识别任务来获得它 。SVM优于KNN分类器的结论。
完整代码
该方案的整个代码如下:
相关链接
实时 OpenCV- Python 碰撞(13) - OpenCV 与机器学习的碰撞(13) - OpenCV 与机器学习的碰撞
OpenCV- Python 战斗 - 使用 KNN 算法识别手写编号