cv::ml::SVM 類參考

支援向量機。 更多...

#include <opencv2/ml.hpp>

cv::ml::SVM 協作圖

類
類	核函式

公開型別
enum	核函式型別 {   CUSTOM =-1 ,   LINEAR =0 ,   POLY =1 ,   RBF =2 ,   SIGMOID =3 ,   CHI2 =4 ,   INTER =5 }
	SVM 核函式型別 更多...
enum	引數型別 {   C =0 ,   GAMMA =1 ,   P =2 ,   NU =3 ,   COEF =4 ,   DEGREE =5 }
	SVM 引數型別 更多...
enum	型別 {   C_SVC =100 ,   NU_SVC =101 ,   ONE_CLASS =102 ,   EPS_SVR =103 ,   NU_SVR =104 }
	SVM 型別 更多...
從 cv::ml::StatModel 繼承的公共型別
enum	標誌 {   UPDATE_MODEL = 1 ,   RAW_OUTPUT =1 ,   COMPRESSED_INPUT =2 ,   PREPROCESSED_INPUT =4 }

公開成員函式
virtual double	getC () const =0
virtual cv::Mat	getClassWeights () const =0
virtual double	getCoef0 () const =0
virtual double	getDecisionFunction (int i, OutputArray alpha, OutputArray svidx) const =0
	檢索決策函式。
virtual double	getDegree () const =0
virtual double	getGamma () const =0
virtual int	getKernelType () const =0
virtual double	getNu () const =0
virtual double	getP () const =0
virtual Mat	getSupportVectors () const =0
	檢索所有支援向量。
virtual cv::TermCriteria	getTermCriteria () const =0
virtual int	getType () const =0
virtual Mat	getUncompressedSupportVectors () const =0
	檢索線性 SVM 的所有未壓縮支援向量。
virtual void	setC (double val)=0
virtual void	setClassWeights (const cv::Mat &val)=0
virtual void	setCoef0 (double val)=0
virtual void	setCustomKernel (const Ptr< Kernel > &_kernel)=0
virtual void	setDegree (double val)=0
virtual void	setGamma (double val)=0
virtual void	setKernel (int kernelType)=0
virtual void	setNu (double val)=0
virtual void	setP (double val)=0
virtual void	setTermCriteria (const cv::TermCriteria &val)=0
virtual void	setType (int val)=0
virtual bool	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)=0
	使用最佳引數訓練 SVM。
virtual bool	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)=0
	使用最佳引數訓練 SVM。
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
	計算訓練集或測試集上的誤差。
virtual bool	empty () const CV_OVERRIDE
	如果 Algorithm 為空（例如，在最開始或讀取不成功後），則返回 true。
virtual int	getVarCount () const =0
	返回訓練樣本中的變數數量。
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
	預測所提供樣本的響應
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
	將演算法引數儲存在檔案儲存中。
void	write (FileStorage &fs, const String &name) const

靜態公開成員函式
static Ptr< SVM >	create ()
static ParamGrid	getDefaultGrid (int param_id)
	為 SVM 引數生成網格。
static Ptr< ParamGrid >	getDefaultGridPtr (int param_id)
	為 SVM 引數生成網格。
static Ptr< SVM >	load (const String &filepath)
	從檔案載入並建立序列化的 SVM。
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)
	建立並訓練具有預設引數的模型。
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())
	從字串中載入演算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	從檔案節點中讀取演算法。

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

詳細說明

支援向量機。

另請參閱

支援向量機

成員列舉文件

核函式型別

列舉 cv::ml::SVM::KernelTypes

SVM 核函式型別

在以下具有四個類別的二維測試案例中，不同核函式的比較。已經訓練了四個 SVM::C_SVC SVM（一對多），並進行了自動訓練。評估了三種不同核函式（SVM::CHI2、SVM::INTER、SVM::RBF）。顏色表示得分最高的類別。亮表示最高得分 > 0，暗表示最高得分 < 0。

列舉值 (Enumerator)
CUSTOM	當設定了自定義核函式時，由 SVM::getKernelType 返回
LINEAR	線性核函式。不進行對映，在原始特徵空間中進行線性判別（或迴歸）。這是最快的選項。 \(K(x_i, x_j) = x_i^T x_j\)。
POLY	多項式核函式： \(K(x_i, x_j) = (\gamma x_i^T x_j + coef0)^{degree}, \gamma > 0\)。
RBF	徑向基函式（RBF），在大多數情況下都是一個不錯的選擇。 \(K(x_i, x_j) = e^{-\gamma ||x_i - x_j||^2}, \gamma > 0\)。
SIGMOID	Sigmoid 核函式： \(K(x_i, x_j) = \tanh(\gamma x_i^T x_j + coef0)\)。
CHI2	指數卡方核函式，類似於 RBF 核函式： \(K(x_i, x_j) = e^{-\gamma \chi^2(x_i,x_j)}, \chi^2(x_i,x_j) = (x_i-x_j)^2/(x_i+x_j), \gamma > 0\)。
INTER	直方圖交集核函式。一個快速的核函式。 \(K(x_i, x_j) = min(x_i,x_j)\)。

引數型別

列舉 cv::ml::SVM::ParamTypes

SVM 引數型別

列舉值 (Enumerator)
C
GAMMA
P
NU
COEF
DEGREE

型別

列舉 cv::ml::SVM::Types

SVM 型別

列舉值 (Enumerator)
C_SVC	C-支援向量分類。n 類分類 (n \(\geq\) 2)，允許不完全分離類別，對異常值使用懲罰乘數 C。
NU_SVC	\(\nu\)-支援向量分類。n 類分類，可能存在不完全分離。使用引數 \(\nu\)（範圍 0..1，值越大，決策邊界越平滑）代替 C。
ONE_CLASS	分佈估計（單類 SVM）。所有訓練資料都來自同一類別，SVM 建立一個邊界，將該類別與特徵空間的其他部分分開。
EPS_SVR	\(\epsilon\)-支援向量迴歸。訓練集中的特徵向量與擬合超平面之間的距離必須小於 p。對於異常值，使用懲罰乘數 C。
NU_SVR	\(\nu\)-支援向量迴歸。使用 \(\nu\) 代替 p。有關詳細資訊，請參見 [52]。

成員函式說明

建立()

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

static (靜態)

Python
	cv.ml.SVM.create(		) ->	retval
	cv.ml.SVM_create(		) ->	retval

建立空模型。使用 StatModel::train 訓練模型。由於 SVM 有多個引數，您可能希望為您的問題找到最佳引數，這可以透過 SVM::trainAuto 完成。

getC()

virtual double cv::ml::SVM::getC ( ) const

純虛擬函式

Python
	cv.ml.SVM.getC(		) ->	retval

SVM 最佳化問題的引數 C。適用於 SVM::C_SVC、SVM::EPS_SVR 或 SVM::NU_SVR。預設值為 0。

另請參閱

setC

getClassWeights()

virtual cv::Mat cv::ml::SVM::getClassWeights ( ) const

純虛擬函式

Python
	cv.ml.SVM.getClassWeights(		) ->	retval

SVM::C_SVC 問題中的可選權重，分配給特定類別。它們乘以 C，因此類別 i 的引數 C 變為 classWeights(i) * C。因此這些權重影響不同類別的錯誤分類懲罰。權重越大，對相應類別資料的錯誤分類懲罰越大。預設值為空 Mat。

另請參閱

setClassWeights

getCoef0()

virtual double cv::ml::SVM::getCoef0 ( ) const

純虛擬函式

Python
	cv.ml.SVM.getCoef0(		) ->	retval

核函式引數 coef0。適用於 SVM::POLY 或 SVM::SIGMOID。預設值為 0。

另請參閱

setCoef0

getDecisionFunction()

virtual double cv::ml::SVM::getDecisionFunction ( int i, OutputArray alpha, OutputArray svidx ) const

純虛擬函式

Python
	cv.ml.SVM.getDecisionFunction(	i[, alpha[, svidx]]	) ->	retval, alpha, svidx

檢索決策函式。

引數

i	決策函式的索引。如果解決的問題是迴歸、1 類或 2 類分類，那麼只有一個決策函式，索引應始終為 0。否則，在 N 類分類的情況下，將有 \(N(N-1)/2\) 個決策函式。
alpha	用於權重的可選輸出向量，對應於不同的支援向量。線上性 SVM 中，所有 alpha 都將是 1。
svidx	支援向量矩陣中支援向量索引的可選輸出向量（可透過 SVM::getSupportVectors 檢索）。線上性 SVM 中，每個決策函式由一個“壓縮”支援向量組成。

該方法返回決策函式的 rho 引數，這是一個從核函式響應加權和中減去的標量。

getDefaultGrid()

static ParamGrid cv::ml::SVM::getDefaultGrid ( int param_id )

static (靜態)

為 SVM 引數生成網格。

引數

param_id

SVM 引數 ID，必須是 SVM::ParamTypes 之一。為具有此 ID 的引數生成網格。

該函式為 SVM 演算法的指定引數生成網格。該網格可以傳遞給函式 SVM::trainAuto。

getDefaultGridPtr()

static Ptr< ParamGrid > cv::ml::SVM::getDefaultGridPtr ( int param_id )

static (靜態)

Python
	cv.ml.SVM.getDefaultGridPtr(	param_id	) ->	retval
	cv.ml.SVM_getDefaultGridPtr(	param_id	) ->	retval

為 SVM 引數生成網格。

引數

param_id

SVM 引數 ID，必須是 SVM::ParamTypes 之一。為具有此 ID 的引數生成網格。

該函式為 SVM 演算法的指定引數生成網格指標。該網格可以傳遞給函式 SVM::trainAuto。

getDegree()

virtual double cv::ml::SVM::getDegree ( ) const

純虛擬函式

Python
	cv.ml.SVM.getDegree(		) ->	retval

核函式引數 degree。適用於 SVM::POLY。預設值為 0。

另請參閱

setDegree

getGamma()

virtual double cv::ml::SVM::getGamma ( ) const

純虛擬函式

Python
	cv.ml.SVM.getGamma(		) ->	retval

核函式引數 \(\gamma\)。適用於 SVM::POLY、SVM::RBF、SVM::SIGMOID 或 SVM::CHI2。預設值為 1。

另請參閱

setGamma

getKernelType()

virtual int cv::ml::SVM::getKernelType ( ) const

純虛擬函式

Python
	cv.ml.SVM.getKernelType(		) ->	retval

SVM 核函式型別。參見 SVM::KernelTypes。預設值為 SVM::RBF。

getNu()

virtual double cv::ml::SVM::getNu ( ) const

純虛擬函式

Python
	cv.ml.SVM.getNu(		) ->	retval

SVM 最佳化問題的引數 \(\nu\)。適用於 SVM::NU_SVC、SVM::ONE_CLASS 或 SVM::NU_SVR。預設值為 0。

另請參閱

setNu

getP()

virtual double cv::ml::SVM::getP ( ) const

純虛擬函式

Python
	cv.ml.SVM.getP(		) ->	retval

SVM 最佳化問題的引數 \(\epsilon\)。適用於 SVM::EPS_SVR。預設值為 0。

另請參閱

setP

getSupportVectors()

virtual Mat cv::ml::SVM::getSupportVectors ( ) const

純虛擬函式

Python
	cv.ml.SVM.getSupportVectors(		) ->	retval

檢索所有支援向量。

該方法將所有支援向量作為浮點矩陣返回，其中支援向量作為矩陣行儲存。

getTermCriteria()

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

純虛擬函式

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

解決受限二次最佳化問題偏例的迭代 SVM 訓練過程的終止準則。您可以指定容差和/或最大迭代次數。預設值為 TermCriteria( TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, FLT_EPSILON )；

另請參閱

setTermCriteria

getType()

virtual int cv::ml::SVM::getType ( ) const

純虛擬函式

Python
	cv.ml.SVM.getType(		) ->	retval

SVM 公式型別。參見 SVM::Types。預設值為 SVM::C_SVC。

另請參閱

setType

getUncompressedSupportVectors()

virtual Mat cv::ml::SVM::getUncompressedSupportVectors ( ) const

純虛擬函式

Python
	cv.ml.SVM.getUncompressedSupportVectors(		) ->	retval

檢索線性 SVM 的所有未壓縮支援向量。

該方法返回線性 SVM 的所有未壓縮支援向量，預測所使用的壓縮支援向量就是由此派生而來的。它們以浮點矩陣形式返回，其中支援向量作為矩陣行儲存。

load()

static Ptr< SVM > cv::ml::SVM::load ( const String & filepath )

static (靜態)

Python
	cv.ml.SVM.load(	filepath	) ->	retval
	cv.ml.SVM_load(	filepath	) ->	retval

從檔案載入並建立序列化的 SVM。

使用 SVM::save 將 SVM 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 SVM。

引數

filepath

序列化 SVM 的路徑

setC()

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

純虛擬函式

Python
	cv.ml.SVM.setC(	val	) ->	None

另請參閱

getC

setClassWeights()

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

純虛擬函式

Python
	cv.ml.SVM.setClassWeights(	val	) ->	None

另請參閱

getClassWeights

setCoef0()

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

純虛擬函式

Python
	cv.ml.SVM.setCoef0(	val	) ->	None

另請參閱

getCoef0

setCustomKernel()

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

純虛擬函式

使用自定義核函式初始化。請參見 SVM::Kernel 類以獲取實現細節

setDegree()

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

純虛擬函式

Python
	cv.ml.SVM.setDegree(	val	) ->	None

另請參閱

getDegree

setGamma()

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

純虛擬函式

Python
	cv.ml.SVM.setGamma(	val	) ->	None

另請參閱

getGamma

setKernel()

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

純虛擬函式

Python
	cv.ml.SVM.setKernel(	kernelType	) ->	None

使用預定義核函式之一進行初始化。參見 SVM::KernelTypes。

setNu()

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

純虛擬函式

Python
	cv.ml.SVM.setNu(	val	) ->	None

另請參閱

getNu

setP()

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

純虛擬函式

Python
	cv.ml.SVM.setP(	val	) ->	None

另請參閱

getP

setTermCriteria()

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

純虛擬函式

Python
	cv.ml.SVM.setTermCriteria(	val	) ->	None

另請參閱

getTermCriteria

setType()

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

純虛擬函式

Python
	cv.ml.SVM.setType(	val	) ->	None

另請參閱

getType

trainAuto() [1/2]

virtual bool cv::ml::SVM::trainAuto ( const Ptr< TrainData > & data (資料), 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 )

純虛擬函式

Python
	cv.ml.SVM.trainAuto(	samples, layout, responses[, kFold[, Cgrid[, gammaGrid[, pGrid[, nuGrid[, coeffGrid[, degreeGrid[, balanced]]]]]]]]	) ->	retval

使用最佳引數訓練 SVM。

引數

data (資料)	可以使用 TrainData::create 或 TrainData::loadFromCSV 構造的訓練資料。
kFold	交叉驗證引數。訓練集被分成 kFold 個子集。一個子集用於測試模型，其他子集構成訓練集。因此，SVM 演算法執行 kFold 次。
Cgrid	C 的網格
gammaGrid	gamma 的網格
pGrid	p 的網格
nuGrid	nu 的網格
coeffGrid	coeff 的網格
degreeGrid	degree 的網格
balanced	如果為 true 且問題為 2 類分類，則該方法會建立更平衡的交叉驗證子集，即子集中類別之間的比例接近於整個訓練資料集中的比例。

該方法透過選擇最佳引數 C、gamma、p、nu、coef0、degree 自動訓練 SVM 模型。當測試集誤差的交叉驗證估計最小化時，引數被認為是最佳的。

如果不需要最佳化某個引數，則應將其對應的網格步長設定為小於或等於 1 的任何值。例如，為避免最佳化 gamma，請將 gammaGrid.step = 0、gammaGrid.minVal、gamma_grid.maxVal 設定為任意數字。在這種情況下，將使用值 Gamma 作為 gamma。

最後，如果需要最佳化某個引數但不知道相應的網格，您可以呼叫函式 SVM::getDefaultGrid。例如，要為 gamma 生成網格，請呼叫 SVM::getDefaultGrid(SVM::GAMMA)。

此函式適用於分類（SVM::C_SVC 或 SVM::NU_SVC）和迴歸（SVM::EPS_SVR 或 SVM::NU_SVR）。如果是 SVM::ONE_CLASS，則不進行最佳化，並執行使用 params 中指定引數的常規 SVM。

trainAuto() [2/2]

virtual bool cv::ml::SVM::trainAuto ( InputArray samples (樣本), 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 )

純虛擬函式

Python
	cv.ml.SVM.trainAuto(	samples, layout, responses[, kFold[, Cgrid[, gammaGrid[, pGrid[, nuGrid[, coeffGrid[, degreeGrid[, balanced]]]]]]]]	) ->	retval

使用最佳引數訓練 SVM。

引數

samples (樣本)	訓練樣本
layout	參見 ml::SampleTypes。
responses	與訓練樣本相關聯的響應向量。
kFold	交叉驗證引數。訓練集被分成 kFold 個子集。一個子集用於測試模型，其他子集構成訓練集。因此，SVM 演算法是
Cgrid	C 的網格
gammaGrid	gamma 的網格
pGrid	p 的網格
nuGrid	nu 的網格
coeffGrid	coeff 的網格
degreeGrid	degree 的網格
balanced	如果為 true 且問題為 2 類分類，則該方法會建立更平衡的交叉驗證子集，即子集中類別之間的比例接近於整個訓練資料集中的比例。

該方法透過選擇最佳引數 C、gamma、p、nu、coef0、degree 自動訓練 SVM 模型。當測試集誤差的交叉驗證估計最小化時，引數被認為是最佳的。

此函式僅使用 SVM::getDefaultGrid 進行引數最佳化，因此僅提供基本的引數選項。

此函式適用於分類（SVM::C_SVC 或 SVM::NU_SVC）和迴歸（SVM::EPS_SVR 或 SVM::NU_SVR）。如果是 SVM::ONE_CLASS，則不進行最佳化，並執行使用 params 中指定引數的常規 SVM。

---

該類的文件由以下檔案生成：

• opencv2/ml.hpp