隨機梯度下降 SVM 分類器。更多...

#include <opencv2/ml.hpp>

cv::ml::SVMSGD 協作圖

公共型別
列舉	裕度型別 { SOFT_MARGIN , HARD_MARGIN }

列舉	Svmsgd型別 { SGD , ASGD }

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 }

公共成員函式
virtual float	getInitialStepSize () const =0
	SVMSGD 最佳化問題的 initialStepSize 引數。

virtual float	getMarginRegularization () const =0
	SVMSGD 最佳化問題的 marginRegularization 引數。

virtual int	getMarginType () const =0
	裕度型別，SVMSGD::MarginType 之一。

virtual float	getShift ()=0

virtual float	getStepDecreasingPower () const =0
	SVMSGD 最佳化問題的 stepDecreasingPower 引數。

virtual int	getSvmsgdType () const =0
	演算法型別，SVMSGD::SvmsgdType 之一。

virtual TermCriteria	getTermCriteria () const =0
	訓練演算法的終止條件。您可以指定最大迭代次數 (maxCount) 和/或迭代之間錯誤變化的程度，以使演算法繼續執行 (epsilon)。

virtual Mat	getWeights ()=0

virtual void	setInitialStepSize (float InitialStepSize)=0
	SVMSGD 最佳化問題的 initialStepSize 引數。

virtual void	setMarginRegularization (float marginRegularization)=0
	SVMSGD 最佳化問題的 marginRegularization 引數。

virtual void	setMarginType (int marginType)=0
	裕度型別，SVMSGD::MarginType 之一。

virtual void	setOptimalParameters (int svmsgdType=SVMSGD::ASGD, int marginType=SVMSGD::SOFT_MARGIN)=0
	此函式為所選的 SVM SGD 模型設定最佳引數值。

virtual void	setStepDecreasingPower (float stepDecreasingPower)=0
	SVMSGD 最佳化問題的 stepDecreasingPower 引數。

virtual void	setSvmsgdType (int svmsgdType)=0
	演算法型別，SVMSGD::SvmsgdType 之一。

virtual void	setTermCriteria (const cv::TermCriteria &val)=0
	訓練演算法的終止條件。您可以指定最大迭代次數 (maxCount) 和/或迭代之間錯誤變化的程度，以使演算法繼續執行 (epsilon)。

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，在開始時或讀取不成功後），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< SVMSGD >	create ()
	建立空模型。使用 StatModel::train 訓練模型。由於 SVMSGD 有多個引數，您可能需要為問題找到最佳引數，或使用 setOptimalParameters() 設定一些預設引數。

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

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

詳細描述

隨機梯度下降 SVM 分類器。

SVMSGD 提供了使用隨機梯度下降方法實現 SVM 分類器的快速易用實現，如 [36] 中所述。

該分類器具有以下引數

模型型別，
裕度型別，
裕度正則化 ( \(\lambda\))，
初始步長 ( \(\gamma_0\))，
步長遞減冪 ( \(c\))，
和終止條件。

模型型別可以具有以下值之一： SGD 和 ASGD。

SGD 是 SVMSGD 分類器的經典版本：每個後續步驟透過以下公式計算
\[w_{t+1} = w_t - \gamma(t) \frac{dQ_i}{dw} |_{w = w_t}\]
其中
- \(w_t\) 是步驟 \(t\) 處決策函式的權重向量，
- \(\gamma(t)\) 是迭代 \(t\) 時模型引數的步長，它在每個步驟中透過公式 \(\gamma(t) = \gamma_0 (1 + \lambda \gamma_0 t) ^ {-c}\) 遞減
- \(Q_i\) 是 SVM 任務中編號為 \(i\) 的樣本的目標函式，該樣本在演算法的每個步驟中隨機選擇。
ASGD 是平均隨機梯度下降 SVM 分類器。ASGD 分類器在演算法的每個步驟中透過公式 \(\widehat{w}_{t+1} = \frac{t}{1+t}\widehat{w}_{t} + \frac{1}{1+t}w_{t+1}\) 平均權重向量

推薦的模型型別是 ASGD（參見 [36]）。

裕度型別可以具有以下值之一： SOFT_MARGIN 或 HARD_MARGIN。

如果您有線性可分離集，則應使用 HARD_MARGIN 型別。
如果您有非線性可分離集或含有異常值的集，則應使用 SOFT_MARGIN 型別。
在一般情況下（如果您對集合的線性可分離性一無所知），請使用 SOFT_MARGIN。

其他引數可描述如下

裕度正則化引數負責每一步的權重遞減以及對異常值的限制強度（引數越小，異常值被忽略的可能性越小）。SGD 模型的推薦值為 0.0001，ASGD 模型的推薦值為 0.00001。
初始步長引數是步長 \(\gamma(t)\) 的初始值。您需要為您的問題找到最佳初始步長。
步長遞減冪是根據上述公式遞減 \(\gamma(t)\) 的冪引數。SGD 模型的推薦值為 1，ASGD 模型的推薦值為 0.75。
終止條件可以是 TermCriteria::COUNT、TermCriteria::EPS 或 TermCriteria::COUNT + TermCriteria::EPS。您需要為您的問題找到最佳終止條件。

請注意，引數裕度正則化、初始步長和步長遞減冪應為正值。

要使用 SVMSGD 演算法，請按以下步驟操作

首先，建立 SVMSGD 物件。演算法將預設設定最佳引數，但您可以透過函式 setSvmsgdType()、setMarginType()、setMarginRegularization()、setInitialStepSize() 和 setStepDecreasingPower() 設定自己的引數。
然後可以使用訓練特徵和相應的標籤透過方法 train() 訓練 SVM 模型。
之後，可以使用方法 predict() 預測新特徵向量的標籤。

// 建立空物件
cv::Ptr<SVMSGD> svmsgd = SVMSGD::create();
 
// 訓練隨機梯度下降 SVM
svmsgd->train(trainData);
 
// 預測新樣本的標籤
svmsgd->predict(samples, responses);

成員列舉文件

◆ 裕度型別

enum cv::ml::SVMSGD::MarginType

裕度型別。

列舉器
SOFT_MARGIN	一般情況，適用於非線性可分離集的情況，允許異常值。
HARD_MARGIN	對於線性可分離集的情況更準確。

◆ Svmsgd型別

enum cv::ml::SVMSGD::SvmsgdType

SVMSGD 型別。ASGD 通常是首選。

列舉器
SGD	隨機梯度下降。
ASGD	平均隨機梯度下降。

成員函式文件

◆ create()

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

static

Python
	cv.ml.SVMSGD.create(		) ->	retval
	cv.ml.SVMSGD_create(		) ->	retval

建立空模型。使用 StatModel::train 訓練模型。由於 SVMSGD 有多個引數，您可能需要為問題找到最佳引數，或使用 setOptimalParameters() 設定一些預設引數。

◆ getInitialStepSize()

virtual float cv::ml::SVMSGD::getInitialStepSize ( ) const

純虛擬函式

Python
	cv.ml.SVMSGD.getInitialStepSize(		) ->	retval

SVMSGD 最佳化問題的 initialStepSize 引數。

另請參見: setInitialStepSize

◆ getMarginRegularization()

virtual float cv::ml::SVMSGD::getMarginRegularization ( ) const

純虛擬函式

Python
	cv.ml.SVMSGD.getMarginRegularization(		) ->	retval

SVMSGD 最佳化問題的 marginRegularization 引數。

另請參見: setMarginRegularization

◆ getMarginType()

virtual int cv::ml::SVMSGD::getMarginType ( ) const

純虛擬函式

Python
	cv.ml.SVMSGD.getMarginType(		) ->	retval

裕度型別，SVMSGD::MarginType 之一。

另請參見: setMarginType

◆ getShift()

virtual float cv::ml::SVMSGD::getShift ( )

純虛擬函式

Python
	cv.ml.SVMSGD.getShift(		) ->	retval

返回: 訓練模型的偏移量（決策函式 f(x) = 權重 * x + 偏移）。

◆ getStepDecreasingPower()

virtual float cv::ml::SVMSGD::getStepDecreasingPower ( ) const

純虛擬函式

Python
	cv.ml.SVMSGD.getStepDecreasingPower(		) ->	retval

SVMSGD 最佳化問題的 stepDecreasingPower 引數。

另請參見: setStepDecreasingPower

◆ getSvmsgdType()

virtual int cv::ml::SVMSGD::getSvmsgdType ( ) const

純虛擬函式

Python
	cv.ml.SVMSGD.getSvmsgdType(		) ->	retval

演算法型別，SVMSGD::SvmsgdType 之一。

另請參見: setSvmsgdType

◆ getTermCriteria()

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

純虛擬函式

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

訓練演算法的終止條件。您可以指定最大迭代次數 (maxCount) 和/或迭代之間錯誤變化的程度，以使演算法繼續執行 (epsilon)。

另請參見: setTermCriteria

◆ getWeights()

virtual Mat cv::ml::SVMSGD::getWeights ( )

純虛擬函式

Python
	cv.ml.SVMSGD.getWeights(		) ->	retval

返回: 訓練模型的權重（決策函式 f(x) = 權重 * x + 偏移）。

◆ load()

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

static

Python
	cv.ml.SVMSGD.load(	filepath[, nodeName]	) ->	retval
	cv.ml.SVMSGD_load(	filepath[, nodeName]	) ->	retval

從檔案中載入並建立一個序列化的 SVMSGD。

使用 SVMSGD::save 將 SVMSGD 序列化並存儲到磁碟。透過使用檔案路徑呼叫此函式，再次從該檔案載入 SVMSGD。可選地指定包含分類器的檔案節點

引數

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

◆ setInitialStepSize()

virtual void cv::ml::SVMSGD::setInitialStepSize ( float InitialStepSize )

純虛擬函式

Python
	cv.ml.SVMSGD.setInitialStepSize(	InitialStepSize	) ->	無

SVMSGD 最佳化問題的 initialStepSize 引數。

另請參見: getInitialStepSize

◆ setMarginRegularization()

virtual void cv::ml::SVMSGD::setMarginRegularization ( float marginRegularization )

純虛擬函式

Python
	cv.ml.SVMSGD.setMarginRegularization(	marginRegularization	) ->	無

SVMSGD 最佳化問題的 marginRegularization 引數。

另請參見: getMarginRegularization

◆ setMarginType()

virtual void cv::ml::SVMSGD::setMarginType ( int marginType )

純虛擬函式

Python
	cv.ml.SVMSGD.setMarginType(	marginType	) ->	無

裕度型別，SVMSGD::MarginType 之一。

另請參見: getMarginType

◆ setOptimalParameters()

virtual void cv::ml::SVMSGD::setOptimalParameters	(	int	svmsgdType = SVMSGD::ASGD,
		int	marginType = SVMSGD::SOFT_MARGIN )

純虛擬函式

Python
	cv.ml.SVMSGD.setOptimalParameters(	[, svmsgdType[, marginType]]	) ->	無

此函式為所選的 SVM SGD 模型設定最佳引數值。

引數

svmsgdType	是 SVMSGD 分類器的型別。
marginType	是裕度約束的型別。

◆ setStepDecreasingPower()

virtual void cv::ml::SVMSGD::setStepDecreasingPower ( float stepDecreasingPower )

純虛擬函式

Python
	cv.ml.SVMSGD.setStepDecreasingPower(	stepDecreasingPower	) ->	無

SVMSGD 最佳化問題的 stepDecreasingPower 引數。

另請參見: getStepDecreasingPower

◆ setSvmsgdType()

virtual void cv::ml::SVMSGD::setSvmsgdType ( int svmsgdType )

純虛擬函式

Python
	cv.ml.SVMSGD.setSvmsgdType(	svmsgdType	) ->	無

演算法型別，SVMSGD::SvmsgdType 之一。

另請參見: getSvmsgdType

◆ setTermCriteria()

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

純虛擬函式

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

訓練演算法的終止條件。您可以指定最大迭代次數 (maxCount) 和/或迭代之間錯誤變化的程度，以使演算法繼續執行 (epsilon)。

另請參見: getTermCriteria

此類的文件是從以下檔案生成的

opencv2/ml.hpp

公共型別

公共成員函式

靜態公共成員函式

附加繼承成員

詳細描述

成員列舉文件

◆ 裕度型別

◆ Svmsgd型別

成員函式文件

◆ create()

◆ getInitialStepSize()

◆ getMarginRegularization()

◆ getMarginType()

◆ getShift()

◆ getStepDecreasingPower()

◆ getSvmsgdType()

◆ getTermCriteria()

◆ getWeights()

◆ load()

◆ setInitialStepSize()

◆ setMarginRegularization()

◆ setMarginType()

◆ setOptimalParameters()

◆ setStepDecreasingPower()

◆ setSvmsgdType()

◆ setTermCriteria()