用SVM分类,在得到分类超平面后是怎么进行分类的
时间: 2024-05-21 12:18:04 浏览: 12
在使用 SVM 分类时,得到分类超平面后,可以通过将新的数据点代入超平面方程进行分类。具体来说,如果我们有一个新的数据点 x,我们可以计算它到分类超平面的距离,如果距离大于0,则将该数据点分配给正类,否则将其分配给负类。距离的计算可以使用点到平面的距离公式。如果使用核函数进行非线性分类,则需要将新的数据点映射到核函数的特征空间中,并计算它与超平面的距离。
相关问题
SVM在找好分类超平面后如何判断属于哪一类
在找到好的分类超平面后,可以使用该超平面对测试数据进行分类。具体而言,对于每个测试样本,将其特征向量代入分类超平面方程,得到一个标量值。如果该标量值大于0,则将该测试样本分为正类;如果该标量值小于0,则将该测试样本分为负类。如果标量值等于0,则可以将该测试样本视为边界点,需要根据具体应用场景判断其分类结果。这个过程可以用下面的公式表示:
y = sign(w^T * x + b)
其中,w是超平面法向量,b是偏置项,x是测试样本的特征向量,y是分类结果,sign是符号函数,即当参数大于0时返回1,小于0时返回-1,等于0时返回0或者其他值。
使用SVM进行人脸分类,是通过什么对SVM进行分类的
在使用SVM进行人脸分类时,通常会将人脸图像转换为特征向量,然后使用这些特征向量来训练SVM模型。常用的人脸特征向量包括Haar特征、LBP(Local Binary Pattern)特征、HOG(Histogram of Oriented Gradients)特征等。
在训练过程中,SVM会通过对训练样本的特征向量进行分类,得到一个最优的超平面,使得不同类别的样本点在超平面两侧,并且两侧的间隔最大。然后,在测试时,将测试样本的特征向量输入到训练好的SVM模型中,根据超平面的位置来确定测试样本的类别。
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)