支持向量机预测实例,基于支持向量机的预测分析基本方法和步骤

　　我用的是LIBSVM库。这是一个支持向量机的库。向量机兼容Python和Matlab，执行数字识别算法和人脸识别算法的分类。在

　　支持向量机的分类中有一个很奇怪的问题。当我在不同的计算机上运行程序时，我使用相同的代码库、相同的解释器(在我的例子中是Python)以及相同的训练和测试数据。培训和测试的准确性非常高

　　下面是数值识别算法的分类函数调用的代码。(这里，训练图像的数量=1409，测试图像的数量=997):来自svmutil import *

　　 用于训练的数据

　　train_features，train _ labels=load _ data( ocr _ data/training/))

　　 测试数据

　　test_features，test _ labels=load _ data( ocr _ data/testing/)

　　" 训练线性SVM分类器 "

　　train _ features=train _ features . to list(

　　测试功能=测试功能.至列表(

　　问题=SVM问题(训练标签，训练特征).

　　参数=SVM参数(-t0 ).

　　模型=SVM _火车(问题，参数)).

　　SVM保存模型.

　　RES=SVM _预测(训练_标签，训练_特征，模型) ))))))RES=SVM _预测(训练_标签，模型))

　　RES=SVM预测(测试标签，测试特征，模型)).

　　对于4gb RAM/64位操作系统Windows 8，训练和测试后的精度输出如下：

　　^{pr2}$

　　2gb RAM/32位操作系统Windows 7笔记本电脑的不同输出：准确率=100.00% (1409/1409()分类)。

　　准确率=99.29%(990/997)(分类)))))).

　　其他电脑也有变精度输出，但我没有。另一个用Matlab编程的人脸识别算法也遇到了同样的问题。在

　　这是支持向量机的通病，还是我做错了？另外，如果这是SVM分类的一个普遍问题，请告诉我实际原因是什么。我欢迎任何解决方案。谢谢你。在

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。