cv::ml::SVM 类参考

支持向量机。 更多...

#include <opencv2/ml.hpp>

cv::ml::SVM 的协作图

类
class	Kernel

公共类型
enum	KernelTypes {   CUSTOM =-1 ,   LINEAR =0 ,   POLY =1 ,   RBF =2 ,   SIGMOID =3 ,   CHI2 =4 ,   INTER =5 }
	SVM 内核类型 更多...
enum	ParamTypes {   C =0 ,   GAMMA =1 ,   P =2 ,   NU =3 ,   COEF =4 ,   DEGREE =5 }
	SVM 参数类型 更多...
enum	Types {   C_SVC =100 ,   NU_SVC =101 ,   ONE_CLASS =102 ,   EPS_SVR =103 ,   NU_SVR =104 }
	SVM 类型 更多...
从 cv::ml::StatModel 继承的公共类型
enum	Flags {   UPDATE_MODEL = 1 ,   RAW_OUTPUT =1 ,   COMPRESSED_INPUT =2 ,   PREPROCESSED_INPUT =4 }

公共成员函数
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
	检索决策函数。
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
	检索所有支持向量。
virtual cv::TermCriteria	getTermCriteria () const =0
virtual int	getType () const =0
virtual Mat	getUncompressedSupportVectors () const =0
	检索线性 SVM 的所有非压缩支持向量。
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
	用最佳参数训练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
	用最佳参数训练SVM。
继承自 cv::ml::StatModel 的公共成员函数
virtual float	calcError (const Ptr< TrainData> &data, bool test, OutputArray resp) const
	计算训练或测试数据集上的错误。
virtual bool	empty () const CV_OVERRIDE
	如果算法为空（例如在最开始或读取失败后），则返回 true。
virtual int	getVarCount () const =0
	返回训练样本中的变量数量。
virtual bool	isClassifier () const =0
	如果模型是分类器则返回 true。
virtual bool	isTrained () const =0
	如果模型已训练则返回 true。
virtual float	predict (InputArray samples, OutputArray results=noArray(), int flags=0) const =0
	预测提供的样本的响应。
virtual bool	train (const Ptr< TrainData> &trainData, int flags=0)
	训练统计模型。
virtual bool	train (InputArray samples, int layout, InputArray responses)
	训练统计模型。
从cv::Algorithm继承的公共成员函数
	Algorithm ()
虚拟	~Algorithm ()
virtual void	清除 ()
	清除算法状态。
虚拟 String	getDefaultName () const
virtual void	read (const FileNode &fn)
	从文件存储中读取算法参数。
virtual void	save (const String &filename) const
void	write (const Ptr< FileStorage > &fs, const String &name=String()) const
virtual void	write (FileStorage &fs) const
	将算法参数存储在文件存储中。
void	write (FileStorage &fs, const String &name) const

静态公共成员函数
static Ptr< SVM >	创建 ()
static ParamGrid	getDefaultGrid (int param_id)
	为SVM参数生成网格。
static Ptr< ParamGrid >	getDefaultGridPtr (int param_id)
	为SVM参数生成网格。
static Ptr< SVM >	load (const String &filepath)
	从文件中加载和创建序列化的svm。
从cv::ml::StatModel继承的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	train (const Ptr< TrainData > &data, int flags=0)
	使用默认参数创建和训练模型。
从cv::Algorithm继承的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。
template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	从String中加载算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	从文件节点读取算法。

其他继承成员
从cv::Algorithm继承的受保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

支持向量机。

另请参阅

支持向量机

成员枚举文档

KernelTypes

enum cv::ml::SVM::KernelTypes

SVM核类型

比较以下2D测试案例中四种不同核。使用auto_train生成了四个SVM::C_SVC

枚举
CUSTOM	当设置了自定义核时，由SVM::getKernelType返回
LINEAR	线性核。没有映射，在原始特征空间中进行线性判别（或回归）。这是一个快速的选项。 \(K(x_i, x_j) = x_i^T x_j\).
POLY	多项式核：\(K(x_i, x_j) = (\gamma x_i^T x_j + coef0)^{degree}, \gamma > 0\).
RBF	径向基函数（RBF），大多数情况下的一个好的选择。 \(K(x_i, x_j) = e^{-\gamma ||x_i - x_j||^2}, \gamma > 0\).
SIGMOID	sigmoid核： \(K(x_i, x_j) = \tanh(\gamma x_i^T x_j + coef0)\).
CHI2	指数Chi2核，类似于RBF核： \(K(x_i, x_j) = e^{-\gamma \chi^2(x_i,x_j)}, \chi^2(x_i,x_j) = (x_i-x_j)^2/(x_i+x_j), \gamma > 0\).
INTER	直方图交核。一个快速的核。 \(K(x_i, x_j) = min(x_i,x_j)\).

ParamTypes

enum cv::ml::SVM::ParamTypes

SVM参数类型

枚举
C
GAMMA
P
NU
COEF
DEGREE

Types

enum cv::ml::SVM::Types

SVM类型

枚举
C_SVC	C-Support Vector Classification。n类分类（n \(\ge\) 2），允许对异常值应用惩罚乘数C的不完美分离。
NU_SVC	ν 支持向量分类。n 类分类可能出现不完全分离。参数 ν（范围在 0..1 之间，值越大，决策边界越平滑）用于代替 C。
ONE_CLASS	分布估计（一类 SVM）。所有训练数据都属于同一类，SVM 将建立将此类别与特征空间的其余部分分开的边界。
EPS_SVR	ε 支持向量回归。来自训练集的特征向量与拟合超平面的距离必须小于 p。对于异常值，使用惩罚系数 C。
NU_SVR	ν 支持向量回归。使用 ν 而不是 p。详细信息请参阅 [50]。

成员函数文档

create()

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

static

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

创建空模型。使用 StatModel::train 来训练模型。由于 SVM 有多个参数，您可能想要为您的问题找到最佳参数，这可以通过 SVM::trainAuto 来完成。

getC()

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

pure virtual

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

SVM 优化问题的参数 C。对于 SVM::C_SVC、SVM::EPS_SVR 或 SVM::NU_SVR。默认值为 0。

另请参阅

setC

getClassWeights()

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

pure virtual

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

对于 SVM::C_SVC 问题的可选权重，分配给特定类别。它们乘以 C，因此类 i 的参数 C 成为 classWeights(i) * C。因此这些权重会影响不同类别的错分惩罚。权重越大，对相应类别数据的错分惩罚越大。默认值为空的 Mat。

另请参阅

setClassWeights

getCoef0()

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

pure virtual

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

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

另请参阅

setCoef0

getDecisionFunction()

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

pure virtual

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

检索决策函数。

参数

i	决策功能的索引。如果解决的问题为回归、单类或双类分类，则只有一个决策功能，索引总是0。否则，在N类分类的情况下，将有 \(N(N-1)/2\) 个决策功能。
alpha	对应于不同支持向量的可选项输出权重向量。在线性SVM的情况下，所有alpha都会是1。
svidx	可选输出向量，包含支持向量矩阵（可以通过 SVM::getSupportVectors 获取）中支持向量的索引。在线性SVM的情况下，每个决策功能由单个“压缩”支持向量组成。

此方法返回决策函数的rho参数，用于从核响应加权和中减去的标量。

getDefaultGrid()

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

static

为SVM参数生成网格。

参数

param_id

SVM参数ID必须是以下之一：SVM::ParamTypes。网格是为具有此ID的参数生成的。

此函数为SVM算法的指定参数生成网格。网格可以传递到 SVM::trainAuto 函数。

getDefaultGridPtr()

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

static

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

为SVM参数生成网格。

参数

param_id

SVM参数ID必须是以下之一：SVM::ParamTypes。网格是为具有此ID的参数生成的。

该函数为SVM算法的指定参数生成网格指针。网格可以传递到 SVM::trainAuto 函数。

getDegree()

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

pure virtual

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

核函数的参数 degree。对于 SVM::POLY。默认值为0。

另请参阅

setDegree

getGamma()

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

pure virtual

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

核函数的参数 \(\gamma\)。对于 SVM::POLY，SVM::RBF，SVM::SIGMOID 或 SVM::CHI2。默认值为1。

另请参阅

setGamma

getKernelType()

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

pure virtual

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

SVM核的类型。参见 SVM::KernelTypes。默认值为 SVM::RBF。

getNu()

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

pure virtual

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

SVM优化问题的参数 \(\nu\)。对于 SVM::NU_SVC，SVM::ONE_CLASS 或 SVM::NU_SVR。默认值为0。

另请参阅

setNu

getP()

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

pure virtual

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

SVM优化问题的参数 \(\epsilon\)。对于 SVM::EPS_SVR。默认值为0。

另请参阅

setP

getSupportVectors()

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

pure virtual

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

检索所有支持向量。

该方法返回所有支持向量作为一个浮点矩阵，其中支持向量存储为矩阵行。

getTermCriteria()

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

pure virtual

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

SVM训练过程的终止准则，该过程解决了约束二次优化问题的一个部分。您可以指定容差和/或最大迭代次数。默认值是 TermCriteria( TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, FLT_EPSILON );

另请参阅

setTermCriteria

getType()

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

pure virtual

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

SVM公式的类型。参见 SVM::Types。默认值是 SVM::C_SVC。

另请参阅

setType

getUncompressedSupportVectors()

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

pure virtual

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

检索线性 SVM 的所有非压缩支持向量。

该方法返回线性SVM的所有未压缩支持向量，这些支持向量用于预测并从压缩支持向量中派生出来。它们以浮点矩阵形式返回，其中支持向量存储为矩阵行。

load()

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

static

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

从文件中加载和创建序列化的svm。

使用 SVM::save 序列化和存储一个 SVM 到磁盘。通过调用此函数并传入文件路径，可以从该文件重新加载 SVM。

参数

filepath

序列化svm的路径

setC()

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

pure virtual

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

另请参阅

getC

setClassWeights()

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

pure virtual

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

另请参阅

getClassWeights

setCoef0()

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

pure virtual

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

另请参阅

getCoef0

setCustomKernel()

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

pure virtual

使用自定义核初始化。参见 SVM::Kernel 类以获取实现细节

setDegree()

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

pure virtual

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

另请参阅

getDegree

setGamma()

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

pure virtual

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

另请参阅

getGamma

setKernel()

虚函数 cv::ml::SVM::setKernel ( int  kernelType )

pure virtual

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

使用预定义核之一进行初始化。请参阅 SVM::KernelTypes。

setNu()

虚函数 cv::ml::SVM::setNu ( double  val )

pure virtual

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

另请参阅

getNu

setP()

虚函数 cv::ml::SVM::setP ( double  val )

pure virtual

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

另请参阅

getP

setTermCriteria()

虚函数 cv::ml::SVM::setTermCriteria ( const cv::TermCriteria &  val )

pure virtual

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

另请参阅

getTermCriteria

setType()

虚函数 cv::ml::SVM::setType ( int  val )

pure virtual

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

另请参阅

getType

trainAuto() [1/2]

虚函数 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  )

pure virtual

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

用最佳参数训练SVM。

参数

data	可以使用 TrainData::create 或 TrainData::loadFromCSV 创建的训练数据。
kFold	交叉验证参数。训练集会被分成kFold个子集。其中一个子集用于测试模型，其余的构成训练集。因此，SVM算法被执行kFold次。
Cgrid	C的网格
gammaGrid	gamma的网格
pGrid	p的网格
nuGrid	nu的网格
coeffGrid	coeff的网格
degreeGrid	degree的网格
balanced	如果为true并且问题是二分类，则该方法会创建更多平衡的交叉验证子集，即子集中类别的比例接近整个训练数据集中的此类比例。

该方法通过选择最优参数C、gamma、p、nu、coef0、degree来自动训练SVM模型。参数被认为是最优的，当交叉验证估计的测试集错误是最小的。

如果不需要优化参数，则对应的网格步长应设置为小于等于1的任何值。例如，为了避免对gamme进行优化，可以将gammaGrid.step = 0、gammaGrid.minVal、gamma_grid.maxVal设置为任意数值。在这种情况下，将使用Gamma的值。

最后，如果需要优化参数但对应的网格未知，您可以使用函数SVM::getDefaultGrid。例如，要生成gamma对应的网格，可以调用SVM::getDefaultGrid(SVM::GAMMA)。

此函数适用于分类（SVM::C_SVC 或 SVM::NU_SVC）以及回归（SVM::EPS_SVR 或 SVM::NU_SVR）。如果是SVM::ONE_CLASS，则不进行优化，并执行带有参数在params中指定的常规SVM。

trainAuto() [2/2]

虚函数 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  )

pure virtual

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

用最佳参数训练SVM。

参数

samples	训练样本
layout	请参阅ml::SampleTypes。
responses	与训练样本关联的响应向。
kFold	交叉验证参数。将训练集分为k个kFold子集。一个子集用于测试模型，其余的组成训练集。因此，SVM算法是
Cgrid	C的网格
gammaGrid	gamma的网格
pGrid	p的网格
nuGrid	nu的网格
coeffGrid	coeff的网格
degreeGrid	degree的网格
balanced	如果为true并且问题是二分类，则该方法会创建更多平衡的交叉验证子集，即子集中类别的比例接近整个训练数据集中的此类比例。

该方法通过选择最优参数C、gamma、p、nu、coef0、degree来自动训练SVM模型。参数被认为是最优的，当交叉验证估计的测试集错误是最小的。

此函数仅使用SVM::getDefaultGrid进行参数优化，因此仅提供基本的参数选项。

此函数适用于分类（SVM::C_SVC 或 SVM::NU_SVC）以及回归（SVM::EPS_SVR 或 SVM::NU_SVR）。如果是SVM::ONE_CLASS，则不进行优化，并执行带有参数在params中指定的常规SVM。

---

此类的文档是从以下文件生成的

• opencv2/ml.hpp