而分类问题体现在数学上，其实就是对坐标系的分割。
每一张包含了手写数字的图像，通过提取特征后，都可以在坐标系找到属于它的位置。而SVM要干的事情，就是仔细划分这些不同位置的坐标点。
属于“0”的坐标点要和“1”的坐标点清清楚楚地分开。其余数字依次同理。
这个坐标系很复杂，有N个维度。假如一张图片的像素点是100*100的，将它整个扔给计算机的话，那就有1万个输入维度。人类所能理解的图形极限是三维，所以1万维是完全不可能画得出来的。
画不出来还是小事，可以自行脑补嘛。计算和特征提取才是大事。
维度越大，所需的计算量也就越大，算得也就越慢。如果一个程序识别一个手写数字要花10秒，那一定会被骂成“人工智障”，这就是“人工智障三人组”最初名号的由来。齐凡是从计算机学院其他学长口中得知的。当然，现在已经不这样了。
所以，进行计算前，势必要将图像参数简化一下。
同时，图像还涉及到清晰度和对比度的问题。
因而，齐凡被图像的“池化”“锐化”等概念虐了一通后，总算将它们掌握了。
最后就到了最关键的一步--图像最真实的特征。
图像的特征自然是来自于像素点。可其实不仅仅体现在像素点的灰度值上，还体现在像素点的排列上。
如果直接将像素点的坐标和值作为输入参数，那就会带来一个问题。
假如一个一模一样的数字“1”，出现在一张纸的不同位置。这对以上方法来说，就是不同的输入参数，因为其坐标位置变化了。可按实际情况，这个数字并没有任何改变，只是位置发生了变化而已。
位置的变化不应该带来输入参数的变化，因为人类识别数字也并不需要参数数字整体的位置。
齐凡带着疑问在书上找到了答案--变化特征。
通过提取相邻像素点灰度值的变化作为特征，这样就能摒弃数字坐标位置不同而引入的干扰。
这就是方向梯度直方图（Histogram of Oriented Gradient）的核心概念。
【计算机经验+10。】
到此为此，图像特征提取部分已被齐凡搞定。
剩下的，就是找寻许阳他们所用的模型到底是哪里出了问题，以至于会出现40%多识别错误率。
-----------------
心情愉悦的齐凡，收起东西从图书馆回到宿舍。
齐凡一进宿舍，王哲就火急火燎地开口，“怎么发你微信过了半天才回，今天微积分课吴院长点名，你又不是在。他现在每回都会特意关注你，你要是再不去，他可真就要发飙了。”
齐凡最近的行为在同学们看来简直就是作死，连最近看不惯他的贾震都开始对他同情了。
“齐凡，十年寒窗不容易，伱这么个作法，早晚要被开除学籍的。何必呢。”只要不挑战贾震的学霸权威，他也不是什么十足的坏人。
“多谢你们关心。可我早就和你们说过了呀。是因为王教授叫我去帮忙。”
从对面两人的神情来看，显然不信。齐凡也只有无奈。
“算了，等后天吧。后天的微积分课正好有些内容我还需要巩固下，到时你们看，吴院长会不会管我。”齐凡自信王教授肯定已经都打好招呼了。
>>章节报错<<