基於 Python 實現動態分類器集成學習

2021-02-13 Python中文社區
動態分類器選擇是一種用於分類預測建模的集成學習算法。該技術涉及在訓練數據集上擬合多個機器學習模型，然後基於要預測的示例的特定細節，選擇在進行預測時預期表現最佳的模型。這可以通過以下方法實現：使用k最近鄰模型在訓練數據集中找到最接近要預測的新示例的示例，評估該鄰域中池中的所有模型，並使用在鄰域中表現最佳的模型來對新示例做出預測。這樣，動態分類器選擇通常可以比池中的任何單個模型更好地執行，並且提供了對來自多個模型的預測求平均的另一種方法，就像其他集成算法一樣。在本教程中，您將發現如何在Python中開發動態分類器選擇集合。
動態分類器選擇算法從眾多模型中選擇一種以對每個新示例進行預測。
如何使用scikit-learn API開發和評估用於分類任務的動態分類器選擇模型。
如何探索動態分類器選擇模型超參數對分類準確性的影響。
動態分類器選擇
使用Scikit-Learn進行動態分類器選擇
具有整體本地精度（OLA）的DCS
具有本地分類精度（LCA）的DCS
DCS的超參數調整
在k最近鄰居中探索k
探索分類器池的算法
多個分類器系統是指機器學習算法的一個領域，該算法使用多個模型來解決分類預測建模問題。這包括熟悉的技術，如「一對多休息」，「一對多所有」和輸出糾錯碼技術。它還包括更通用的技術，這些技術選擇模型以動態地用於需要預測的每個新示例。Dynamic Ensemble Selection Library或簡稱為DESlib是一個開放原始碼Python庫（https://github.com/scikit-learn-contrib/DESlib），它提供了許多不同的動態分類器選擇算法的實現。DESlib是一個易於使用的集成學習庫，致力於實現動態分類器和集成選擇的最新技術。
pip install deslib
安裝完成後，我們可以通過加載庫並列印已安裝的版本來確認該庫已正確安裝並可以使用。驗證截圖如下所示表示可以正常使用了：
DESlib通過每種分類器選擇技術分別通過OLA和LCA類提供了DCS-LA算法的實現。每個類都可以直接用作scikit學習模型，從而可以直接使用全套scikit學習數據準備，建模管道和模型評估技術。這兩個類都使用k最近鄰居算法來選擇默認值k = 7的鄰居。儘管可以通過將「 pool_classifiers」設置為模型列表來更改，但決策樹的自舉聚合（裝袋）合奏用作針對每個分類考慮的分類器模型池。我們可以使用make_classification（）函數創建具有10,000個示例和20個輸入功能的綜合二進位分類問題。
其中，OLA和LCA解釋如下：
局部精度，通常稱為LA或整體本地精度（OLA）。
類精度，通常稱為CA或本地類精度（LCA）。
 
局部精度（OLA）涉及評估k個訓練示例附近的每個模型的分類精度。 然後選擇在該鄰域中表現最佳的模型以對新示例進行預測。
 
類精度（LCA）涉及使用每種模型對新示例進行預測，並記錄所預測的類。 然後，評估每個模型在k個訓練示例的鄰居上的準確性，並選擇對新示例所預測的類具有最佳技能的模型，並返回其預測。
# synthetic binary classification dataset
from sklearn.datasets import make_classification
# define dataset
X, y = make_classification(n_samples=10000, n_features=20, n_informative=15, n_redundant=5, random_state=7)
# summarize the dataset
print(X.shape, y.shape)
(10000, 20) (10000,)
我們可以使用綜合數據集上的整體局部精度來評估DCS-LA模型。在這種情況下，我們將使用默認的模型超參數，包括袋裝決策樹作為分類器模型的池，並且在進行預測時將k = 7用於選擇局部鄰域。我們將使用具有三個重複和10折的重複分層k折交叉驗證來評估模型。我們將報告所有重複和摺疊中模型準確性的均值和標準差。
# evaluate dynamic classifier selection DCS-LA with overall local accuracy
from numpy import mean
from numpy import std
from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from deslib.dcs.ola import OLA
# define dataset
X, y = make_classification(n_samples=10000, n_features=20, n_informative=15, n_redundant=5, random_state=7)
# define the model
model = OLA()
# define the evaluation procedure
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
# evaluate the model
n_scores = cross_val_score(model, X, y, scoring='accuracy', cv=cv, n_jobs=-1)
# report performance
print('Mean Accuracy: %.3f (%.3f)' % (mean(n_scores), std(n_scores)))
注意：由於算法或評估程序的隨機性，或者數值精度的差異，您的結果可能會有所不同。考慮運行該示例幾次並比較平均結果。在這種情況下，我們可以看到帶有OLA和默認超參數的DCS-LA達到了約88.3％的分類精度。
Mean Accuracy: 0.883 (0.012)
我們還可以將DCS-LA模型與OLA一起用作最終模型，並進行分類預測。首先，模型適合所有可用數據，然後可以調用predict（）函數對新數據進行預測。下面的示例在我們的二進位分類數據集中展示了這一點。
# make a prediction with DCS-LA using overall local accuracy
from sklearn.datasets import make_classification
from deslib.dcs.ola import OLA
# define dataset
X, y = make_classification(n_samples=10000, n_features=20, n_informative=15, n_redundant=5, random_state=7)
# define the model
model = OLA()
# fit the model on the whole dataset
model.fit(X, y)
# make a single prediction
row = [0.2929949,-4.21223056,-1.288332,-2.17849815,-0.64527665,2.58097719,0.28422388,-7.1827928,-1.91211104,2.73729512,0.81395695,3.96973717,-2.66939799,3.34692332,4.19791821,0.99990998,-0.30201875,-4.43170633,-2.82646737,0.44916808]
yhat = model.predict([row])
print('Predicted Class: %d' % yhat[0])
運行示例使DCS-LA和OLA模型適合整個數據集，然後用於對新的數據行進行預測，就像在應用程式中使用模型時一樣。我們可以在合成數據集上使用局部類的準確性評估DCS-LA模型。在這種情況下，我們將使用默認的模型超參數，包括袋裝決策樹作為分類器模型的池，並且在進行預測時將k = 7用於選擇局部鄰域。我們將使用具有三個重複和10折的重複分層k折交叉驗證來評估模型。我們將報告所有重複和摺疊中模型準確性的均值和標準差。
# evaluate dynamic classifier selection DCS-LA using local class accuracy
from numpy import mean
from numpy import std
from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from deslib.dcs.lca import LCA
# define dataset
X, y = make_classification(n_samples=10000, n_features=20, n_informative=15, n_redundant=5, random_state=7)
# define the model
model = LCA()
# define the evaluation procedure
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
# evaluate the model
n_scores = cross_val_score(model, X, y, scoring='accuracy', cv=cv, n_jobs=-1)
# report performance
print('Mean Accuracy: %.3f (%.3f)' % (mean(n_scores), std(n_scores)))
注意：由於算法或評估程序的隨機性，或者數值精度的差異，您的結果可能會有所不同。考慮運行該示例幾次並比較平均結果。在這種情況下，我們可以看到帶有LCA和默認超參數的DCS-LA達到了約92.2％的分類精度。
看到帶有LCA和默認超參數的DCS-LA達到了約92.2％的分類精度。
我們還可以將帶有LCA的DCS-LA模型用作最終模型，並進行分類預測。首先，模型適合所有可用數據，然後可以調用predict（）函數對新數據進行預測。下面的示例在我們的二進位分類數據集中展示了這一點。
# make a prediction with DCS-LA using local class accuracy
from sklearn.datasets import make_classification
from deslib.dcs.lca import LCA
# define dataset
X, y = make_classification(n_samples=10000, n_features=20, n_informative=15, n_redundant=5, random_state=7)
# define the model
model = LCA()
# fit the model on the whole dataset
model.fit(X, y)
# make a single prediction
row = [0.2929949,-4.21223056,-1.288332,-2.17849815,-0.64527665,2.58097719,0.28422388,-7.1827928,-1.91211104,2.73729512,0.81395695,3.96973717,-2.66939799,3.34692332,4.19791821,0.99990998,-0.30201875,-4.43170633,-2.82646737,0.44916808]
yhat = model.predict([row])
print('Predicted Class: %d' % yhat[0])
運行示例可以使DCS-LA和LCA模型適合整個數據集，然後用於對新數據行進行預測，就像我們在應用程式中使用模型時一樣。在本節中，我們將仔細研究一些您應該考慮調整DCS-LA模型的超參數及其對模型性能的影響。對於DCS-LA，我們可以查看許多超參數，儘管在這種情況下，我們將查看模型局部評估中使用的k最近鄰居模型中的k值，以及如何使用自定義的分類器。我們將使用帶有OLA的DCS-LA作為這些實驗的基礎，儘管具體方法的選擇是任意的。k近鄰算法的配置對DCS-LA模型至關重要，因為它定義了考慮每個分類器進行選擇的鄰域範圍。k值控制鄰域的大小，重要的是將其設置為適合您的數據集的值，特別是特徵空間中樣本的密度。值太小將意味著可能會將訓練集中的相關示例從鄰域中排除，而值太大可能意味著信號被太多示例所衝走。以下示例探討了kS值為2到21的帶OLA的DCS-LA的分類精度。
# explore k in knn for DCS-LA with overall local accuracy
from numpy import mean
from numpy import std
from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from deslib.dcs.ola import OLA
from matplotlib import pyplot
 
# get the dataset
def get_dataset():
 X, y = make_classification(n_samples=10000, n_features=20, n_informative=15, n_redundant=5, random_state=7)
 return X, y
 
# get a list of models to evaluate
def get_models():
 models = dict()
 for n in range(2,22):
  models[str(n)] = OLA(k=n)
 return models
 
# evaluate a give model using cross-validation
def evaluate_model(model):
 cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
 scores = cross_val_score(model, X, y, scoring='accuracy', cv=cv, n_jobs=-1)
 return scores
 
# define dataset
X, y = get_dataset()
# get the models to evaluate
models = get_models()
# evaluate the models and store results
results, names = list(), list()
for name, model in models.items():
 scores = evaluate_model(model)
 results.append(scores)
 names.append(name)
 print('>%s %.3f (%.3f)' % (name, mean(scores), std(scores)))
# plot model performance for comparison
pyplot.boxplot(results, labels=names, showmeans=True)
pyplot.show()
首先運行示例將報告每個配置的鄰域大小的平均準確性。注意：由於算法或評估程序的隨機性，或者數值精度的差異，您的結果可能會有所不同。考慮運行該示例幾次並比較平均結果。在這種情況下，我們可以看到，精度隨著鄰域大小的增加而增加，可能達到k = 13或k = 14，在此看來它趨於平穩
>2 0.873 (0.009)
>3 0.874 (0.013)
>4 0.880 (0.009)
>5 0.881 (0.009)
>6 0.883 (0.010)
>7 0.883 (0.011)
>8 0.884 (0.012)
>9 0.883 (0.010)
>10 0.886 (0.012)
>11 0.886 (0.011)
>12 0.885 (0.010)
>13 0.888 (0.010)
>14 0.886 (0.009)
>15 0.889 (0.010)
>16 0.885 (0.012)
>17 0.888 (0.009)
>18 0.886 (0.010)
>19 0.889 (0.012)
>20 0.889 (0.011)
>21 0.886 (0.011)
創建箱須圖以分配每個配置的鄰域大小的準確性得分。我們可以看到在達到平穩之前，模型性能和k值增加的總體趨勢選擇DCS-LA池中使用的算法是另一個重要的超參數。默認情況下，使用袋裝決策樹，因為事實證明它是處理一系列分類任務的有效方法。不過，可以考慮使用自定義分類器池。這需要首先定義分類器模型的列表，以使用每個分類器模型並將其擬合到訓練數據集上。不幸的是，這意味著在這種情況下不能使用scikit-learn中的自動k折交叉驗證模型評估方法。取而代之的是，我們將使用訓練測試拆分，以便我們可以在訓練數據集上手動擬合分類器池。然後，可以通過「 pool_classifiers」參數將適合分類器的列表指定給OLA（或LCA）類。在這種情況下，我們將使用一個包含邏輯回歸，決策樹和樸素貝葉斯分類器的池。下面列出了使用OLA和綜合數據集中的一組自定義分類器評估DCS-LA的完整示例。
# evaluate DCS-LA using OLA with a custom pool of algorithms
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from deslib.dcs.ola import OLA
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.naive_bayes import GaussianNB
X, y = make_classification(n_samples=10000, n_features=20, n_informative=15, n_redundant=5, random_state=7)
# split the dataset into train and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=1)
# define classifiers to use in the pool
classifiers = [
 LogisticRegression(),
 DecisionTreeClassifier(),
 GaussianNB()]
# fit each classifier on the training set
for c in classifiers:
 c.fit(X_train, y_train)
# define the DCS-LA model
model = OLA(pool_classifiers=classifiers)
# fit the model
model.fit(X_train, y_train)
# make predictions on the test set
yhat = model.predict(X_test)
# evaluate predictions
score = accuracy_score(y_test, yhat)
print('Accuracy: %.3f' % (score))
首先運行示例將使用自定義分類器報告模型的平均準確性。注意：由於算法或評估程序的隨機性，或者數值精度的差異，您的結果可能會有所不同。考慮運行該示例幾次並比較平均結果。在這種情況下，我們可以看到該模型的準確度約為91.2％。為了採用DCS模型，其性能必須優於任何貢獻模型。否則，我們將僅使用性能更好的貢獻模型。我們可以通過評估測試集中每個貢獻分類器的性能來檢查這一點。
...
# evaluate contributing models
for c in classifiers:
 yhat = c.predict(X_test)
 score = accuracy_score(y_test, yhat)
 print('>%s: %.3f' % (c.__class__.__name__, score))
下面列出了帶有自定義分類器池的DCS-LA的更新示例，該分類器也進行了獨立評估。
# evaluate DCS-LA using OLA with a custom pool of algorithms
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from deslib.dcs.ola import OLA
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.naive_bayes import GaussianNB
# define dataset
X, y = make_classification(n_samples=10000, n_features=20, n_informative=15, n_redundant=5, random_state=7)
# split the dataset into train and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=1)
# define classifiers to use in the pool
classifiers = [
 LogisticRegression(),
 DecisionTreeClassifier(),
 GaussianNB()]
# fit each classifier on the training set
for c in classifiers:
 c.fit(X_train, y_train)
# define the DCS-LA model
model = OLA(pool_classifiers=classifiers)
# fit the model
model.fit(X_train, y_train)
# make predictions on the test set
yhat = model.predict(X_test)
# evaluate predictions
score = accuracy_score(y_test, yhat)
print('Accuracy: %.3f' % (score))
# evaluate contributing models
for c in classifiers:
 yhat = c.predict(X_test)
 score = accuracy_score(y_test, yhat)
 print('>%s: %.3f' % (c.__class__.__name__, score))
首先運行示例，報告使用定製分類器池的模型的平均準確性以及每個貢獻模型的準確性。注意：由於算法或評估程序的隨機性，或者數值精度的差異，您的結果可能會有所不同。考慮運行該示例幾次並比較平均結果。在這種情況下，我們可以再次看到，DCS-LA的精度達到了約91.3％，比任何貢獻模型都要好。
Accuracy: 0.913
>LogisticRegression: 0.878
>DecisionTreeClassifier: 0.884
>GaussianNB: 0.873

相關焦點

  • python實現高斯樸素貝葉斯分類器
    python實現高斯樸素貝葉斯分類器    在這篇文章中，我們將使用我最喜歡的機器學習庫scikit-learn在Python中實現樸素貝葉斯分類器。接下來,我們將使用經過訓練的樸素貝葉斯(監督分類法)模型來預測人口收入。
  • Python 基於直方圖的梯度提升集成方法
    鑑於它在實踐中在各種數據集上表現出色，它可能是針對結構化（表格）分類和回歸預測建模問題的最受歡迎的技術之一。梯度提升的主要問題是訓練模型的速度較慢。在具有成千上萬個示例（行）的大型數據集上使用模型時，這尤其是一個問題。通過將連續輸入變量離散化（合併）為數百個唯一值，可以大大加快對添加到集合中的樹的訓練。實現此技術並在此變換下圍繞輸入變量定製訓練算法的梯度增強合奏稱為基於直方圖的梯度增強合奏。
  • 小白學數據:教你用Python實現簡單監督學習算法
    用數學表示，即Y = f(X)+ C，其中f表示學生學習時間和考試成績之間的關係X表示輸入（學習小時數）Y表示輸出（考試分數）C表示隨機誤差監督學習算法的終極目標是給出新的輸入X，使得預測結果Y的準確率最大。有很多方法可以實現有監督學習，我們將探討幾種最常用的方法。
  • scikit-learn—集成學習方法
    隨機森林(Forests of randomized trees)sklearn.ensemble模塊包括兩種基於隨機決策樹的平均算法：RandomForest算法和Extra-Trees算法。兩種算法都是專為樹設計的擾動與組合技術(perturb-and-combine techniques)[B1998]。這意味著通過在分類器構造中引入隨機性來創建多樣化的分類器集。
  • 模板識別:使用OpenCV實現基於特徵的圖像對齊
    我們將使用的技術通常被稱為「基於特徵圖像對齊」，因為在該技術中，在一個圖像中檢測稀疏的特徵集並且在另一圖像中進行特徵匹配。然後基於這些匹配特徵將原圖像映射到另一個圖像，實現圖像對齊。例如，為了實現面部識別系統，我們首先需要一個面部檢測器，其輸出面部所在矩形的坐標。檢測器不知道或不關心該人是誰。唯一的工作就是找到一張臉。系統的第二部分是識別算法。原始圖像被裁剪為檢測到的面部矩形，並且該裁剪的圖像反饋送到最終識別該人的面部識別算法。特徵檢測器的定位器就像面部檢測器。描述子類似識別器。只有當我們知道兩個圖像中的對應特徵時，才能計算出與兩個圖像相關的單應性。
  • 一種基於YOLOv3的算法,可以對車輛、駕駛員進行檢測和分類
    獲取代碼： https://github.com/hsajjad/transformers 閱讀更多： https://arxiv.org/abs/2004.03844v1 基於機器學習的智能醫療監控框架
  • Keras教程 | 基於遷移學習實現花卉圖像分類
    Application模塊Keras中的Application模塊中有一系列基於ImageNet的預訓練好的圖像分類模型，這些模型如下：XceptionVGG16VGG19ResNet50InceptionV3InceptionResNetV2MobileNet
  • 集成算法 | 隨機森林分類模型
    隨機森林是非常具有代表性的Bagging集成算法，它的所有基評估器都是決策樹，分類樹組成的森林就叫做隨機森林分類器，回歸樹所集成的森林就叫做隨機森林回歸器。隨機森林採用決策樹作為弱分類器，在bagging的樣本隨機採樣基礎上，⼜加上了特徵的隨機選擇。
  • 用python和Tesseract實現光學字符識別(OCR)
    因此，我們傾向於訓練特定領域的圖像分類器和識別器。然而，在我們將OCR應用於我們自己的項目之前，我們需要了解如何通過Python程式語言來實現Tesseract OCR。涉及OCR的示例項目可能包括構建一個移動文檔掃描器，您希望從中提取文本信息，或者您正在運行掃描紙質醫療記錄的服務，並且希望將信息放入符合HIPA的資料庫。
  • 超級乾貨 :一文讀懂集成學習(附學習資源)
    Stacking 就像是 Bagging的升級版，Bagging中的融合各個基礎分類器是相同權重，而Stacking中則不同,Stacking中第二層學習的過程就是為了尋找合適的權重或者合適的組合方式。
  • 使用Pytorch訓練分類器詳解(附python演練)
    訓練一個圖像分類器1. 使用torchvision加載並且歸一化CIFAR10的訓練和測試數據集2. 定義一個卷積神經網絡3. 定義一個損失函數4. 在訓練樣本數據上訓練網絡5. 在測試樣本數據上測試網絡三．
  • Sklearn 中的樸素貝葉斯分類器
    用豆機實現的高斯分布這篇教程詳述了樸素貝葉斯分類器的算法、它的原理及優缺點，並提供了一個使用 Sklearn 庫的示例。這就是樸素貝葉斯分類器所要實現的。分析樸素貝葉斯分類器利用條件概率來聚集信息，並假設特徵之間相對獨立。這是什麼意思呢？舉個例子，這意味著我們必須假定鐵達尼號的房間舒適度與票價無關。顯然這個假設是錯誤的，這就是為什麼我們將這個假設稱為樸素（Naive）的原因。
  • 看一眼就知道你的BMI:基於Keras與遷移學習的人臉預測系統
    大數據文摘出品編譯：橡樹_Hiangsug讓機器學習基於面部照片預測BMI不僅是一個有趣的項目，這種預測方法也有望成為未來醫療診斷的實用工具。本文介紹了一個通過面部圖像預測BMI（身體質量指數）的神經網絡項目。
  • 基於BiLstm實現文本分類,分別基於keras和tf
    所以就想來實現多個LSTM,有以下兩種方法來實現：- 1 .把在一層雙向上疊第二層雙向LSTM```pythonmodel = Sequential() model.add(Bidirectional(LSTM(10, return_sequences=True), input_shape=(5, 10)))
  • 技術乾貨 | 昇思MindSpore網絡實戰系列:使用ResNet-50實現圖像分類任務
    ，以下操作使用MindSpore框架實現。但ResNet-50的深度較大，訓練起來就會比較困難，所以在加深網絡深度的同時提出殘差學習的結構來減輕深層網絡訓練的難度。重新構建了網絡以便學習包含推理的殘差函數，而不是學習未經過推理的函數。實驗結果顯示，殘差網絡更容易優化，並且加深網絡層數有助於提高正確率。深度模型的限制深度卷積網絡在圖像分類任務上有非常優秀的表現。
  • MindSpore基於BERT實現中文新聞分類實戰
    關於BERT，本大獅有幸嘗試過基於TensorFlow的實現--【手模手學ModelArts】分分鐘部署一個Bert命名實體識別在線服務,並嘗試以該服務為原型「落地AI」--【Copy攻城獅日誌】ModelArts與AppCube雙「魔」合璧慶雙節,從0到1實現了一個簡單的命名實體識別應用。這次，我們將基於MIndSpore實現中文新聞分類實戰。
  • 利用Inception-v3實現汽車分類
    不需要具備Python或任何深度學習框架的深入知識就可以使用它。它通過為流行的深度學習框架提供包裝函數來簡化計算機視覺，並使人們能夠以最少的代碼使用它們的功能。本文使用Monk庫的PyTorch後端，但是也可以根據需要安裝任何其他版本的Monk。
  • 15 分鐘帶你入門 sklearn 與機器學習(分類算法篇)
    邏輯回歸 (Logistic regression)邏輯回歸，儘管他的名字包含"回歸"，卻是一個分類而不是回歸的線性模型。邏輯回歸在文獻中也稱為logit回歸，最大熵分類或者對數線性分類器。樸素貝葉斯方法是一組基於貝葉斯定理的監督學習算法，在給定類變量值的情況下，樸素假設每對特徵之間存在條件獨立性。下面我將介紹幾種樸素貝葉斯的方法。
  • 集成模型(三)Stacking和超級集成
    該方式稱為Stacked generalization，中文常翻譯為堆疊泛化由於子模型的預測作為下級模型訓練的樣本、原特徵也可作為訓練樣本，同時還可以使用多種子模型，所以該方式又稱為混合（Blending）「用於最後集成的學習器又稱為次級學習器（相對於之前的學習器
  • SVM機器學習算法和OpenCV實現貓咪圖片識別器
    本課程使用HOG+SVM算法和OpenCV實現一個圖片分類器，通過自己訓練分類器，達到可以判斷任意圖片是否是貓咪的效果。一、課程介紹1. 內容簡介SVM（支持向量機）是一種常用的機器學習分類算法。本課程使用HOG+SVM算法和OpenCV實現一個圖片分類器，通過自己訓練分類器，達到可以判斷任意圖片是否是貓咪的效果。