SVM 简介和使用实践

理论部分略过。

SVM 是一种有监督的机器学习分类算法。由于一般都是调 sklearn 的包，所以 SVM 的核心在于如何设计好的特征，也就是特征工程。

特征工程的设计主要靠实验，以及总结的规律和想法。

建议做法：将 特征存为  一个  .csv  文件。csv 每一列如果是多个值，可以以 1D list 保存，然后使用 json 读取 1D list。

训练SVM 需要写一个 load 数据的函数，使用 train_test_split 划分数据。使用一些归一化方法处理数据，然后就是训练，输出测试集结果。

实际使用时候，需要把原始数据处理成输入特征的形式，然后加载归一化方法的模型，然后就是加载 SVM 模型，处理数据，SVM 分类。此外，如果输入特征过多，可以先使用 PCA 进行降维，再输入到 SVM 中。

最后是模型的保存和加载，也可以保存为 onnx 格式。

我写了一个使用教程：

https://github.com/deepConnectionism/ML_practice

参考：

python中归一化、标准化模型保存与加载_ukakasu的博客-CSDN博客_标准化模型保存