机器学习：使用OpenCV和Python进行智能图像处理，笔记——3-1：理解监督学习

理解监督学习：

分类：使用数据来预测类别

回归：使用数据预测真实值

了解OpenCV中的监督学习

OpenCV中机器学习模型派生自：cv::ml::StatModel 

     训练模型的类函数：train

     评价模型的类函数：calcError

Opencv中构建机器学习模型遵循的逻辑

     初始化

     设置参数

     训练模型：提供一个叫做train的类函数

     预测新标签：提供一个叫做predict的类函数

     评估模型：提供一个叫做caclError的类函数

使用评分函数评估模型性能

scikit-learn的metrics模块中提供了大量的评分函数，用于 评估模型预测的质量（机器学习系统最重要的一部分）

使用准确率、精确率和召回率对分类器进行评分

     二值分类任务中，有几种不同方法评估分类效果，常用指标

          accuracy_score:准确率

          precision_score:精确率

          recall_score:召回率

使用均方误差、可释误差、和R方值对回归器评分

    主要用于回归模型

          mean_squared_error:均方误差，计算训练数据集中数据点的预测值与真实值的平方误差，再在所有数据点上计算它们的平均值

          explained_variance_score:可释放误差，计算模型对于测试数据的方差或者离散度的释放长度

          r2_score:R^2值和可释方差值有密切相关，但是使用无偏方差估计，也被称作决定系数

 

本节主要函数及库：

import numpy as np
np.random.seed(42)
y_true = np.random.randint(0,2,size=5)
y_pred= np.ones(5,dtype=np.int32)

from sklearn import metrics
##################分类模型#####################
#准确率
metrics.accuracy_score(y_true, y_pred)
#精确率
metrics.precision_score(y_true,y_pred)
#召回率
metrics.recall_score(y_true, y_pred)

##################回归模型#####################
#均方差
metrics.mean_squared_error(y_true, y_pred)
#可释放方差
metrics.explained_variance_score(y_true, y_pred)
#R方差
metrics.r2_score(y_true, np.mean(y_true)*np.ones_like(y_true))

gitee库地址

https://gitee.com/scott_zhao/MachineLearning_for_OpenCV