评估机器学习模型用于预测服装尺寸,使用来自3D身体扫描的人类测量
Ruqey Alhassawi1, Simeon Gill2, Steven Hayes2
1Department of Materials, The University of Manchester, Manchester, UK. ruqey.alhassawi@postgrad.manchester.ac.uk.
Scientific reports
|November 19, 2025
概括
大多数人有不一致的身体尺寸,导致衣服不适合. 支持矢量机 (SVM) 模型使用3D身体扫描准确预测服装尺寸,改善服装选择.
科学领域:
- 人类测量学 人类测量学.
- 计算机科学 计算机科学
- 服装技术 服装技术
背景情况:
- 现有的服装尺寸计划显示出严重的不准确性,677名参与者的90.84%显示测量变化.
- 很大一部分 (35.45%) 的个人没有被当前的尺寸标准充分适应,这表明服装适合的广泛问题.
- 这些尺寸差异导致消费者不满和服装行业的高回报率.
研究的目的:
- 评估支持矢量机 (SVM) 和主要组件分析-SVM (PCA-SVM) 模型用于预测服装尺寸的有效性.
- 通过使用3D身体扫描数据,确定最佳的建模方法,以准确地预测服装尺寸.
- 为了应对不一致的体型测量和尺寸方案导致的服装选择挑战.
主要方法:
- 利用677名参与者的3D身体扫描数据来捕捉详细的身体形态.
- 开发并比较了两种机器学习模型:一种传统的支持矢量机 (SVM) 专注于主要测量,另一种主要组件分析-SVM (PCA-SVM) 包含额外的维度.
- 根据预测服装尺寸类别一致性的准确性来评估模型性能.
主要成果:
- 传统的SVM模型在预测服装尺寸方面达到89.66%的高精度.
- 包含补充车身尺寸的PCA-SVM模型的精度较低,为68.97%.
- 该研究证实了参与者身体尺寸的显著差异,只有9.15%的参与者表现出一致的胸部,腰部和部测量.
结论:
- 支持矢量机 (SVM) 模型对于基于3D身体扫描数据预测服装尺寸类别非常有效.
- 传统的SVM模型在这个特定的预测任务中表现出比PCA-SVM模型更好的性能.
- 准确的服装尺寸预测对于改善服装适合性,提高客户满意度和降低时尚行业的回报率至关重要.
