該類實現了隨機森林預測器。更多資訊...

#include <opencv2/ml.hpp>

cv::ml::RTrees 協作圖

公共成員函式
virtual int	getActiveVarCount () const =0

virtual bool	getCalculateVarImportance () const =0

virtual double	getOOBError () const =0

virtual TermCriteria	getTermCriteria () const =0

virtual Mat	getVarImportance () const =0

virtual void	getVotes (InputArray samples, OutputArray results, int flags) const =0

virtual void	setActiveVarCount (int val)=0

virtual void	setCalculateVarImportance (bool val)=0

virtual void	setTermCriteria (const TermCriteria &val)=0

從 cv::ml::DTrees 繼承的公共成員函式
virtual int	getCVFolds () const =0

virtual int	getMaxCategories () const =0

virtual int	getMaxDepth () const =0

virtual int	getMinSampleCount () const =0

virtual const std::vector< Node > &	getNodes () const =0
	返回所有節點。

virtual cv::Mat	getPriors () const =0
	先驗類機率陣列，按類別標籤值排序。

virtual float	getRegressionAccuracy () const =0

virtual const std::vector< int > &	getRoots () const =0
	返回根節點的索引。

virtual const std::vector< Split > &	getSplits () const =0
	返回所有分割。

virtual const std::vector< int > &	getSubsets () const =0
	返回所有分類分割的位集。

virtual bool	getTruncatePrunedTree () const =0

virtual bool	getUse1SERule () const =0

virtual bool	getUseSurrogates () const =0

virtual void	setCVFolds (int val)=0

virtual void	setMaxCategories (int val)=0

virtual void	setMaxDepth (int val)=0

virtual void	setMinSampleCount (int val)=0

virtual void	setPriors (const cv::Mat &val)=0
	先驗類機率陣列，按類別標籤值排序。

virtual void	setRegressionAccuracy (float val)=0

virtual void	setTruncatePrunedTree (bool val)=0

virtual void	setUse1SERule (bool val)=0

virtual void	setUseSurrogates (bool val)=0

從 cv::ml::StatModel 繼承的公共成員函式
virtual float	calcError (const Ptr< TrainData > &data, bool test, OutputArray resp) const
	計算訓練或測試資料集上的誤差。

virtual bool	empty () const CV_OVERRIDE
	如果演算法為空（例如，在開始時或讀取失敗後），則返回 true。

virtual int	getVarCount () const =0
	返回訓練樣本中變數的數量。

virtual bool	isClassifier () const =0
	如果模型是分類器，則返回 true。

virtual bool	isTrained () const =0
	如果模型已訓練，則返回 true。

virtual float	predict (InputArray samples, OutputArray results=noArray(), int flags=0) const =0
	預測提供的樣本的響應

virtual bool	train (const Ptr< TrainData > &trainData, int flags=0)
	訓練統計模型。

virtual bool	train (InputArray samples, int layout, InputArray responses)
	訓練統計模型。

從 cv::Algorithm 繼承的公共成員函式
	Algorithm ()

virtual	~Algorithm ()

virtual void	clear ()
	清除演算法狀態。

virtual String	getDefaultName () const

virtual void	read (const FileNode &fn)
	從檔案儲存中讀取演算法引數。

virtual void	save (const String &filename) const

void	write (const Ptr< FileStorage > &fs, const String &name=String()) const

virtual void	write (FileStorage &fs) const
	將演算法引數儲存到檔案儲存中。

void	write (FileStorage &fs, const String &name) const

靜態公共成員函式
static Ptr< RTrees >	create ()

static Ptr< RTrees >	load (const String &filepath, const String &nodeName=String())
	從檔案中載入並建立一個序列化的 RTree。

從 cv::ml::DTrees 繼承的靜態公共成員函式
static Ptr< DTrees >	create ()
	建立空模型。

static Ptr< DTrees >	load (const String &filepath, const String &nodeName=String())
	從檔案中載入並建立一個序列化的 DTrees。

從 cv::ml::StatModel 繼承的靜態公共成員函式
template<typename _Tp >
static Ptr< _Tp >	train (const Ptr< TrainData > &data, int flags=0)
	使用預設引數建立並訓練模型。

從 cv::Algorithm 繼承的靜態公共成員函式
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	從檔案中載入演算法。

template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	從字串載入演算法。

template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	從檔案節點讀取演算法。

附加繼承成員
從 cv::ml::DTrees 繼承的公共型別
列舉	標誌 { PREDICT_AUTO =0 , PREDICT_SUM =(1<<8) , PREDICT_MAX_VOTE =(2<<8) , PREDICT_MASK =(3<<8) }

從 cv::ml::StatModel 繼承的公共型別
列舉	標誌 { UPDATE_MODEL = 1 , RAW_OUTPUT =1 , COMPRESSED_INPUT =2 , PREPROCESSED_INPUT =4 }

從 cv::Algorithm 繼承的保護成員函式
void	writeFormat (FileStorage &fs) const

詳細描述

此類實現隨機森林預測器。

另請參見: 隨機森林

成員函式文件

◆ create()

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

static

Python
	cv.ml.RTrees.create(		) ->	retval
	cv.ml.RTrees_create(		) ->	retval

建立空模型。使用 StatModel::train 訓練模型，StatModel::train 建立並訓練模型，Algorithm::load 載入預訓練模型。

◆ getActiveVarCount()

virtual int cv::ml::RTrees::getActiveVarCount ( ) const

純虛擬函式

Python
	cv.ml.RTrees.getActiveVarCount(		) ->	retval

在每個樹節點隨機選擇的特徵子集的大小，用於尋找最佳分裂。如果設定為 0，則大小將設定為特徵總數的平方根。預設值為 0。

另請參見: setActiveVarCount

◆ getCalculateVarImportance()

virtual bool cv::ml::RTrees::getCalculateVarImportance ( ) const

純虛擬函式

Python
	cv.ml.RTrees.getCalculateVarImportance(		) ->	retval

如果為 true，則計算變數重要性，然後可以透過 RTrees::getVarImportance 獲取。預設值為 false。

另請參見: setCalculateVarImportance

◆ getOOBError()

virtual double cv::ml::RTrees::getOOBError ( ) const

純虛擬函式

Python
	cv.ml.RTrees.getOOBError(		) ->	retval

返回 OOB 錯誤值，在訓練階段 calcOOBError 設定為 true 時計算。如果此標誌設定為 false，則返回 0。OOB 錯誤也按樣本權重進行縮放。

◆ getTermCriteria()

virtual TermCriteria cv::ml::RTrees::getTermCriteria ( ) const

純虛擬函式

Python
	cv.ml.RTrees.getTermCriteria(		) ->	retval

指定訓練演算法何時停止的終止條件。要麼在指定數量的樹被訓練並新增到整合中時停止，要麼在達到足夠的精度（以 OOB 錯誤衡量）時停止。通常，樹越多，精度越高。然而，精度提高通常會減小，並在一定數量的樹之後漸近。此外，需要記住的是，樹的數量會線性增加預測時間。預設值為 TermCriteria(TermCriteria::MAX_ITERS + TermCriteria::EPS, 50, 0.1)

另請參見: setTermCriteria

◆ getVarImportance()

virtual Mat cv::ml::RTrees::getVarImportance ( ) const

純虛擬函式

Python
	cv.ml.RTrees.getVarImportance(		) ->	retval

返回變數重要性陣列。當 CalculateVarImportance 設定為 true 時，該方法返回在訓練階段計算的變數重要性向量。如果此標誌設定為 false，則返回空矩陣。

◆ getVotes()

virtual void cv::ml::RTrees::getVotes	(	InputArray	samples,
		OutputArray	結果,
		int	flags ) const

純虛擬函式

Python
	cv.ml.RTrees.getVotes(	samples, flags[, results]	) ->	結果

返回森林中每棵獨立樹的結果。如果模型是迴歸問題，該方法將返回每棵樹對每個樣本案例的結果。如果模型是分類器，它將返回一個行數為 samples + 1 的 Mat，其中第一行給出類別編號，後續行返回每個類別對每個樣本的投票。

引數

samples	包含將計算投票的樣本的陣列。
結果	計算結果將寫入的陣列。
flags	定義 RTrees 型別的標誌。

◆ load()

static Ptr< RTrees > cv::ml::RTrees::load	(	const String &	filepath,
		const String &	nodeName = String() )

static

Python
	cv.ml.RTrees.load(	filepath[, nodeName]	) ->	retval
	cv.ml.RTrees_load(	filepath[, nodeName]	) ->	retval

從檔案中載入並建立一個序列化的 RTree。

使用 RTree::save 將 RTree 序列化並存儲到磁碟。透過呼叫此函式並提供檔案路徑，再次從該檔案載入 RTree。可選擇指定包含分類器的檔案節點。

引數

filepath	序列化 RTree 的路徑
nodeName	包含分類器的節點的名稱

◆ setActiveVarCount()

virtual void cv::ml::RTrees::setActiveVarCount ( int val )

純虛擬函式

Python
	cv.ml.RTrees.setActiveVarCount(	val	) ->	無

另請參見: getActiveVarCount

◆ setCalculateVarImportance()

virtual void cv::ml::RTrees::setCalculateVarImportance ( bool val )

純虛擬函式

Python
	cv.ml.RTrees.setCalculateVarImportance(	val	) ->	無

另請參見: getCalculateVarImportance

◆ setTermCriteria()

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

純虛擬函式

Python
	cv.ml.RTrees.setTermCriteria(	val	) ->	無

另請參見: getTermCriteria

此類的文件是從以下檔案生成的

opencv2/ml.hpp

公共成員函式

靜態公共成員函式

附加繼承成員

詳細描述

成員函式文件

◆ create()

◆ getActiveVarCount()

◆ getCalculateVarImportance()

◆ getOOBError()

◆ getTermCriteria()

◆ getVarImportance()

◆ getVotes()

◆ load()

◆ setActiveVarCount()

◆ setCalculateVarImportance()

◆ setTermCriteria()