＜OpenCV＞ SVM参数配置

OpenCV SVM

模型参数配置

• Types

enum cv::ml::SVM::Types
{
	C_SVC=100, 			//!< C-Support向量分类。n类分类(n≥2)，允许对异常值使用惩罚乘子C进行不完全分类。
	NU_SVC=101, 		//!< ν支持向量分类。n类分类，可能不完全分离。参数ν(范围0-1、值越大，决策边界越平滑)，用来代替C。
	ONE_CLASS=102, 		//!< 分布估计(一类支持向量机)。所有的训练数据都来自同一类，支持向量机建立了一个边界，将类从特征空间的其余部分分离出来。
	EPS_SVR=103, 		//!< ϵ支持向量回归。从训练集到拟合超平面的特征向量之间的距离必须小于p。对于异常值，使用惩罚乘法器C。
	NU_SVR=104 			//!< ν支持向量回归。ν代替p。
}

• KernelTypes

enum cv::ml::SVM::KernelTypes
{
	CUSTOM=-1, 	//!< 当设置了自定义内核时，由SVM::getKernelType返回；
	LINEAR=0, 	//!< 线性内核。相当于不进行映射处理，在原始特征空间中进行线性判别(或回归)。这是运行速度最快的选择，但是拟合程度不高；
	POLY=1, 	//!< 多项式的内核 ；参数：[GAMMA,COEF,DEGREE]
	RBF=2, 		//!< 径向基函数(RBF)是一种很好的选择；参数：[GAMMA] 
	SIGMOID=3, 	//!< Sigmoid kernel；参数：[GAMMA,COEF]
	CHI2=4, 	//!< Chi2指数核，类似于RBF核；参数：[GAMMA]
	INTER=5 	//!< 直方图相交的内核。一个快速的内核。
}

LINEAR：$K(x_i,x_j)=x_i^T{x}_j$

POLY：$K(x_i,x_j)=(\gamma x_i^T{x}_j+coef0{)}^{degree}$

RBF：$K(x_i,x_j)=e^{-\gamma ||x_i-x_j|{|}^2}$，$\gamma >0$

SIGMOID：$tanh(\gamma x_i^T{x}_j+coef0)$

CHI2：$K(x_i,x_j)=e^{-\gamma {\chi }^2(x_i,x_j)}$，${\chi }^2(x_i,x_j)=(x_i-x_j{)}^2/(x_i+x_j),\gamma >0$

INTER：$K(x_i,x_j)=min(x_i,x_j)$

• ParamTypes

enum cv::ml::SVM::ParamTypes
{
	C=0, 	
	GAMMA=1, 	
	P=2, 	
	NU=3, 	
	COEF=4, 	
	DEGREE=5
}

• 创建空的模型
  使用StatModel::train来训练模型。由于SVM有几个参数，您可能希望为您的问题找到最佳参数，这可以使用SVM::trainAuto完成。

static Ptr<SVM> cv::ml::SVM::create()

• 从文件加载并创建序列化的支持向量机
  使用SVM::save序列化并存储SVM到磁盘。通过调用这个函数并指定文件的路径，再次从这个文件加载SVM。

static Ptr<SVM> cv::ml::SVM::load(const String& filepath)	
//!< 参数
//!< filepath	 序列化支持向量机的路径

• 支持向量机优化问题的参数：C
  类别数量，支持向量机::C_SVC、支持向量机::EPS_SVR或支持向量机::NU_SVR。默认值为0。

virtual void cv::ml::SVM::setC(double val)	

• 支持向量机::C_SVC问题中的可选权值，分配给特定的类
  它们乘以$C$，则类$i$的参数$C$就变成了$classWeights(i)\ast C$，因此这些权重影响不同类的误分类惩罚。权重越大，对应类数据的错误分类惩罚越大。默认值为空Mat。

virtual void cv::ml::SVM::setClassWeights(const cv::Mat& val)	

• 核函数的参数：coef0
  对于SVM::POLY或SVM::SIGMOID。默认值为0。

virtual void cv::ml::SVM::setCoef0(double val)	

• 当设置了自定义内核

virtual void cv::ml::SVM::setCustomKernel(const Ptr<Kernel>& _kernel)	

• 核函数的参数：degree
  对于SVM::POLY。默认值为0。

virtual void cv::ml::SVM::setDegree(double val)

• 核函数的参数：γ
  SVM::POLY, SVM::RBF, SVM::SIGMOID或SVM::CHI2。默认值为1。

virtual void cv::ml::SVM::setGamma(double val)	

• 支持向量机核的类型
  SVM:: KernelTypes。默认值为SVM::RBF。

virtual void cv::ml::SVM::setKernel(int kernelType)	

• SVM优化问题的参数：ν
  SVM::NU_SVC, SVM::ONE_CLASS或SVM::NU_SVR。默认值为0。

virtual void cv::ml::SVM::setNu(double val)	

• 支持向量机的参数柱一优化问题
  SVM::EPS_SVR。默认值为0。

virtual void cv::ml::SVM::setP(double val)	

• 终止迭代支持向量机训练的条件
  您可以指定最大迭代次数及训练终止的指定精度。默认值是TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, FLT_EPSILON);

virtual void cv::ml::SVM::setTermCriteria(const cv::TermCriteria& val)	

• 支持向量机公式的类型
  SVM:Type。默认值为SVM::C_SVC。

virtual void cv::ml::SVM::setType	(	int 	val	)	

• 自动训练

virtual bool cv::ml::SVM::trainAuto(const Ptr<TrainData>& data,
									int kFold = 10,
									ParamGrid Cgrid = getDefaultGrid(C),
									ParamGrid gammaGrid = getDefaultGrid(GAMMA),
									ParamGrid pGrid = getDefaultGrid(P),
									ParamGrid nuGrid = getDefaultGrid(NU),
									ParamGrid coeffGrid = getDefaultGrid(COEF),
									ParamGrid degreeGrid = getDefaultGrid(DEGREE),
									bool balanced = false)	

//!< 参数
//!< data			可以使用TrainData::create或TrainData::loadFromCSV构造的训练数据。
//!< kFold			交叉验证参数。训练集被划分为kFold子集。其中一个子集用于测试模型，其他子集构成列车集。因此，SVM算法执行kFold次。
//!< Cgrid			grid for C
//!< gammaGrid		grid for gamma
//!< pGrid			grid for p
//!< nuGrid			grid for nu
//!< coeffGrid		grid for coeff
//!< degreeGrid		grid for degree
//!< balanced		如果问题是2类分类，则该方法创建更平衡的交叉验证子集，子集中的类之间的比例接近于整个训练数据集中的比例。

• 自动训练

virtual bool cv::ml::SVM::trainAuto	(InputArray 	samples,
									int layout,
									InputArray 	responses,
									int kFold = 10,
									Ptr<ParamGrid> 	Cgrid = SVM::getDefaultGridPtr(SVM::C),
									Ptr<ParamGrid> 	gammaGrid = SVM::getDefaultGridPtr(SVM::GAMMA),
									Ptr<ParamGrid> 	pGrid = SVM::getDefaultGridPtr(SVM::P),
									Ptr<ParamGrid> 	nuGrid = SVM::getDefaultGridPtr(SVM::NU),
									Ptr<ParamGrid> 	coeffGrid = SVM::getDefaultGridPtr(SVM::COEF),
									Ptr<ParamGrid> 	degreeGrid = SVM::getDefaultGridPtr(SVM::DEGREE),
									bool balanced = false)	

//!< 参数
//!< samples		训练样本
//!< layout			ROW_SAMPLE or COL_SAMPLE
//!< responses		与训练样本相关的响应向量。
//!< kFold			交叉验证参数。训练集被划分为kFold子集。其中一个子集用于测试模型，其他子集构成训练集。
//!< Cgrid			grid for C
//!< gammaGrid		grid for gamma
//!< pGrid			grid for p
//!< nuGrid			grid for nu
//!< coeffGrid		grid for coeff
//!< degreeGrid		grid for degree
//!< balanced		如果问题是2类分类，则该方法创建更平衡的交叉验证子集，子集中的类之间的比例接近于整个训练数据集中的比例。

• 常规训练

virtual bool train( const Ptr<TrainData>& trainData, int flags=0 )
virtual bool train( InputArray samples, int layout, InputArray responses )