隨機梯度下降 SVM 分類器。更多...

#include <opencv2/ml.hpp>

cv::ml::SVMSGD 的協作圖

公開型別
enum	MarginType { SOFT_MARGIN , HARD_MARGIN }

enum	SvmsgdType { SGD , ASGD }

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 float	getInitialStepSize () const =0
	SVMSGD 最佳化問題的初始步長引數。

virtual float	getMarginRegularization () const =0
	SVMSGD 最佳化問題的邊距正則化引數。

virtual int	getMarginType () const =0
	邊距型別，是 SVMSGD::MarginType 之一。

virtual float	getShift ()=0

virtual float	getStepDecreasingPower () const =0
	SVMSGD 最佳化問題的步長遞減冪引數。

virtual int	getSvmsgdType () const =0
	演算法型別，是 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/或在迭代之間誤差的變化量以使演算法繼續（epsilon）。

virtual Mat	getWeights ()=0

virtual void	setInitialStepSize (float InitialStepSize)=0
	SVMSGD 最佳化問題的初始步長引數。

virtual void	setMarginRegularization (float marginRegularization)=0
	SVMSGD 最佳化問題的邊距正則化引數。

virtual void	setMarginType (int marginType)=0
	邊距型別，是 SVMSGD::MarginType 之一。

virtual void	setOptimalParameters (int svmsgdType=SVMSGD::ASGD, int marginType=SVMSGD::SOFT_MARGIN)=0
	該函式為選定的 SVM SGD 模型設定最優引數值。

virtual void	setStepDecreasingPower (float stepDecreasingPower)=0
	SVMSGD 最佳化問題的步長遞減冪引數。

virtual void	setSvmsgdType (int svmsgdType)=0
	演算法型別，是 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/或在迭代之間誤差的變化量以使演算法繼續（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< SVMSGD >	create ()
	建立空模型。使用 StatModel::train 來訓練模型。由於 SVMSGD 有多個引數，您可能需要為您的專案找到最佳引數，或者使用 setOptimalParameters() 來設定一些預設引數。

static Ptr< SVMSGD >	load (const String &filepath, const String &nodeName=String())
	從檔案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)
	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

隨機梯度下降 SVM 分類器。

SVMSGD 提供了一個快速易用的 SVM 分類器實現，採用了隨機梯度下降方法，如 [37] 所述。

該分類器具有以下引數

模型型別，
邊距型別，
邊距正則化（ \(\lambda\)），
初始步長（ \(\gamma_0\)），
步長遞減冪（ \(c\)），
以及終止條件。

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：每一步的計算公式如下
\[w_{t+1} = w_t - \gamma(t) \frac{dQ_i}{dw} |_{w = w_t}\]
其中
- \(w_t\) 是第 \(t\) 步決策函式的權重向量，
- \(\gamma(t)\) 是模型引數在迭代 \(t\) 時的步長，它透過公式 \(\gamma(t) = \gamma_0 (1 + \lambda \gamma_0 t) ^ {-c}\) 逐漸減小。
- \(Q_i\) 是第 \(i\) 個樣本的 SVM 任務的目標函式，該樣本在演算法的每一步被隨機選擇。
ASGD 是平均隨機梯度下降 SVM 分類器。ASGD 分類器透過公式 \(\widehat{w}_{t+1} = \frac{t}{1+t}\widehat{w}_{t} + \frac{1}{1+t}w_{t+1}\) 對演算法每一步的權重向量進行平均。

推薦的模型型別為 ASGD（遵循 [37]）。

邊距型別可以具有以下值之一： SOFT_MARGIN 或 HARD_MARGIN。

如果您的資料集是線性可分的，則應使用 HARD_MARGIN 型別。
如果您的資料集是非線性可分的或包含異常值，則應使用 SOFT_MARGIN 型別。
在一般情況下（如果您對資料集的線性可分性一無所知），請使用 SOFT_MARGIN。

其他引數可以描述如下

邊距正則化引數負責每一步的權重衰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 模型推薦值為 0.0001，ASGD 模型推薦值為 0.00001。
初始步長引數是步長 \(\gamma(t)\) 的初始值。您需要為您的專案找到最佳初始步長。
步長遞減冪是 \(\gamma(t)\) 按上述公式遞減的冪引數。SGD 模型推薦值為 1，ASGD 模型推薦值為 0.75。
終止條件可以是 TermCriteria::COUNT、TermCriteria::EPS 或 TermCriteria::COUNT + TermCriteria::EPS。您需要為您的專案找到最佳的終止條件。

請注意，邊距正則化、初始步長和步長遞減冪引數應為正值。

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優引數，但您可以透過函式 setSvmsgdType()、setMarginType()、setMarginRegularization()、setInitialStepSize() 和 setStepDecreasingPower() 設定您自己的引數。
然後，可以使用訓練特徵和相應的標籤透過 train() 方法訓練 SVM 模型。
之後，可以使用 predict() 方法來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

◆ MarginType

enum cv::ml::SVMSGD::MarginType

邊距型別。

列舉值 (Enumerator)
SOFT_MARGIN	一般情況，適用於非線性可分資料集，允許異常值。
HARD_MARGIN	對於線性可分資料集更準確。

◆ SvmsgdType

enum cv::ml::SVMSGD::SvmsgdType

SVMSGD 型別。ASGD 通常是更優的選擇。

列舉值 (Enumerator)
SGD	隨機梯度下降。
ASGD	平均隨機梯度下降。

成員函式說明

◆ create()

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

static (靜態)

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

建立空模型。使用 StatModel::train 來訓練模型。由於 SVMSGD 有多個引數，您可能需要為您的專案找到最佳引數，或者使用 setOptimalParameters() 來設定一些預設引數。

◆ getInitialStepSize()

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

純虛擬函式

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

SVMSGD 最佳化問題的初始步長引數。

另請參閱: setInitialStepSize

◆ getMarginRegularization()

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

純虛擬函式

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

SVMSGD 最佳化問題的邊距正則化引數。

另請參閱: setMarginRegularization

◆ getMarginType()

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

純虛擬函式

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

邊距型別，是 SVMSGD::MarginType 之一。

另請參閱: 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（決策函式 f(x) = weights * x + shift）的偏移量。

◆ getStepDecreasingPower()

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

純虛擬函式

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

SVMSGD 最佳化問題的步長遞減冪引數。

另請參閱: 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，是 SVMSGD::SvmsgdType 之一。

另請參閱: 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/或在迭代之間誤差的變化量以使演算法繼續（epsilon）。

另請參閱: 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（決策函式 f(x) = weights * x + shift）的權重。

◆ load()

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

static (靜態)

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

從檔案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。透過呼叫此函式並提供檔案路徑，可以再次從該檔案載入 SVMSGD。可以選擇性地指定包含分類器的檔案中的節點。

引數

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

◆ setInitialStepSize()

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

純虛擬函式

Python
	cv.ml.SVMSGD.setInitialStepSize(	InitialStepSize	) ->	None

SVMSGD 最佳化問題的初始步長引數。

另請參閱: getInitialStepSize

◆ setMarginRegularization()

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

純虛擬函式

Python
	cv.ml.SVMSGD.setMarginRegularization(	marginRegularization	) ->	None

SVMSGD 最佳化問題的邊距正則化引數。

另請參閱: getMarginRegularization

◆ setMarginType()

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

純虛擬函式

Python
	cv.ml.SVMSGD.setMarginType(	marginType	) ->	None

邊距型別，是 SVMSGD::MarginType 之一。

另請參閱: 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]]	) ->	None

該函式為選定的 SVM SGD 模型設定最優引數值。

引數

svmsgdType	是 SVMSGD 分類器的型別。
marginType	是邊距約束的型別。

◆ setStepDecreasingPower()

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

純虛擬函式

Python
	cv.ml.SVMSGD.setStepDecreasingPower(	stepDecreasingPower	) ->	None

SVMSGD 最佳化問題的步長遞減冪引數。

另請參閱: getStepDecreasingPower

◆ setSvmsgdType()

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

純虛擬函式

Python
	cv.ml.SVMSGD.setSvmsgdType(	svmsgdType	) ->	None

演算法型別，是 SVMSGD::SvmsgdType 之一。

另請參閱: getSvmsgdType

◆ setTermCriteria()

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

純虛擬函式

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

訓練演算法的終止條件。您可以指定最大迭代次數 (maxCount) 和/或在迭代之間誤差的變化量以使演算法繼續（epsilon）。

另請參閱: getTermCriteria

該類的文件由以下檔案生成：

opencv2/ml.hpp

公開型別

公開成員函式

靜態公開成員函式

更多繼承的成員

詳細說明

成員列舉文件

◆ MarginType

◆ SvmsgdType

成員函式說明

◆ create()

◆ getInitialStepSize()

◆ getMarginRegularization()

◆ getMarginType()

◆ getShift()

◆ getStepDecreasingPower()

◆ getSvmsgdType()

◆ getTermCriteria()

◆ getWeights()

◆ load()

◆ setInitialStepSize()

◆ setMarginRegularization()

◆ setMarginType()

◆ setOptimalParameters()

◆ setStepDecreasingPower()

◆ setSvmsgdType()

◆ setTermCriteria()