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
类	Kernel（核函数）

公共类型
枚举	KernelTypes（核函数类型） {   CUSTOM（自定义） =-1 ,   LINEAR（线性） =0 ,   POLY（多项式） =1 ,   RBF（径向基函数） =2 ,   SIGMOID（Sigmoid） =3 ,   CHI2（卡方） =4 ,   INTER（线性插值） =5 }
	SVM 核函数类型 更多…
枚举	ParamTypes（参数类型） {   C =0 ,   GAMMA（伽马） =1 ,   P =2 ,   NU（ν） =3 ,   COEF（系数） =4 ,   DEGREE（度数） =5 }
	SVM 参数类型 更多…
枚举	类型 {   C_SVC =100 ,   NU_SVC =101 ,   ONE_CLASS =102 ,   EPS_SVR =103 ,   NU_SVR =104 }
	SVM 类型 更多…
继承自 cv::ml::StatModel 的公共类型
枚举	标志 {   UPDATE_MODEL（更新模型） = 1 ,   RAW_OUTPUT（原始输出） =1 ,   COMPRESSED_INPUT（压缩输入） =2 ,   PREPROCESSED_INPUT（预处理输入） =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
	获取决策函数。
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
	获取所有支持向量。
virtual cv::TermCriteria	getTermCriteria () const =0
virtual int	getType () const =0
virtual Mat	getUncompressedSupportVectors () const =0
	获取线性 SVM 的所有未压缩支持向量。
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
	训练具有最佳参数的 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
	训练具有最佳参数的 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误差。
virtual bool	empty () const CV_OVERRIDE
	如果算法为空（例如，在开始时或读取失败后），则返回 true。
virtual int	getVarCount () const =0
	返回训练样本中变量的数量。
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。
继承自 cv::Algorithm 的公共成员函数
	算法 ()
虚函数	~Algorithm ()
virtual void	clear ()
	清除算法状态。
virtual 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
	将算法参数存储到文件存储中。
void	write (FileStorage &fs, const String &name) const

静态公共成员函数
static Ptr< SVM >	create ()
static ParamGrid	getDefaultGrid (int param_id)
	生成SVM参数网格。
static Ptr< ParamGrid >	getDefaultGridPtr (int param_id)
	生成SVM参数网格。
static Ptr< SVM >	load (const String &filepath)
	加载并创建一个序列化后的SVM。
继承自 cv::ml::StatModel 的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	train (const Ptr< TrainData > &data, int flags=0)
	创建并使用默认参数训练模型。
继承自 cv::Algorithm 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())
	从字符串加载算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	从文件节点读取算法。

其他继承的成员
继承自 cv::Algorithm 的保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

支持向量机。

参见

支持向量机

成员枚举文档

KernelTypes

enum cv::ml::SVM::KernelTypes

SVM核类型

在以下具有四个类的二维测试用例中，不同内核的比较。已经训练了四个SVM::C_SVC SVM（一对其余）使用auto_train。对三个不同内核的评估（SVM::CHI2，SVM::INTER，SVM::RBF）。颜色表示具有最大分数的类。亮表示最大分数 > 0，暗表示最大分数 < 0。

枚举器
CUSTOM	当设置自定义内核时，由SVM::getKernelType 返回
LINEAR	线性核。不进行映射，在原始特征空间中进行线性判别（或回归）。这是最快的选择。\(K(x_i, x_j) = x_i^T x_j\).
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)，在大多数情况下都是一个不错的选择。\(K(x_i, x_j) = e^{-\gamma ||x_i - x_j||^2}, \gamma > 0\).
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	直方图交集核。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

枚举器
C
GAMMA
P
NU
COEF
DEGREE

类型

枚举 cv::ml::SVM::Types

SVM类型

枚举器
C_SVC	C-支持向量机分类。n类分类 (n ≥ 2)，允许类别的不完全分离，对于异常值使用惩罚乘数C。
NU_SVC	ν-支持向量机分类。n类分类，可能存在不完全分离。参数ν（范围在0..1之间，值越大，决策边界越平滑）代替C使用。
ONE_CLASS	分布估计（一类SVM）。所有训练数据都来自同一类，SVM构建一个将该类与特征空间其余部分分开的边界。
EPS_SVR	ε-支持向量机回归。训练集的特征向量与拟合超平面之间的距离必须小于p。对于异常值，使用惩罚乘数C。
NU_SVR	ν-支持向量机回归。使用ν代替p。详情请参见[50]。

成员函数文档

create()

静态 Ptr< SVM > cv::ml::SVM::create ( )

静态

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

创建空模型。使用StatModel::train训练模型。由于SVM有多个参数，您可能需要为您的问题找到最佳参数，可以使用SVM::trainAuto。

getC()

虚函数 double cv::ml::SVM::getC ( ) const

纯虚函数

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

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

参见

setC

getClassWeights()

虚函数 cv::Mat cv::ml::SVM::getClassWeights ( ) const

纯虚函数

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

在SVM::C_SVC问题中可选的权重，分配给特定的类别。它们乘以C，因此类别i的参数C变为classWeights(i) * C。因此，这些权重会影响不同类别的错误分类惩罚。权重越大，对应类别数据的错误分类惩罚越大。默认值为空的Mat。

参见

setClassWeights

getCoef0()

虚函数 double cv::ml::SVM::getCoef0 ( ) const

纯虚函数

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

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

参见

setCoef0

getDecisionFunction()

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

纯虚函数

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

获取决策函数。

参数

i	决策函数的索引。如果解决的问题是回归、一类或二类分类，则只有一个决策函数，索引应始终为0。否则，在N类分类的情况下，将有N(N-1)/2个决策函数。
alpha	对应于不同支持向量的权重的可选输出向量。在线性SVM的情况下，所有alpha都将为1。
svidx	支持向量矩阵中支持向量索引的可选输出向量（可以通过SVM::getSupportVectors检索）。在线性SVM的情况下，每个决策函数都由单个“压缩”支持向量组成。

该方法返回决策函数的rho参数，这是一个从核响应的加权和中减去的标量。

getDefaultGrid()

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

静态

生成SVM参数网格。

参数

param_id

SVM参数ID，必须是SVM::ParamTypes中的一个。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一个网格。该网格可以传递给函数SVM::trainAuto。

getDefaultGridPtr()

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

静态

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

生成SVM参数网格。

参数

param_id

SVM参数ID，必须是SVM::ParamTypes中的一个。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一个网格指针。该网格可以传递给函数SVM::trainAuto。

getDegree()

虚函数 double cv::ml::SVM::getDegree ( ) const

纯虚函数

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

核函数的参数degree。SVM::POLY。默认值为0。

参见

setDegree

getGamma()

虚函数 double cv::ml::SVM::getGamma ( ) const

纯虚函数

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

核函数的参数γ。SVM::POLY、SVM::RBF、SVM::SIGMOID或SVM::CHI2。默认值为1。

参见

setGamma

getKernelType()

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

纯虚函数

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

SVM 核类型。参见 SVM::KernelTypes。默认值为 SVM::RBF。

getNu()

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

纯虚函数

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

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

参见

setNu

getP()

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

纯虚函数

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

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

参见

setP

getSupportVectors()

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

纯虚函数

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

获取所有支持向量。

该方法返回所有支持向量，作为一个浮点型矩阵，其中支持向量存储为矩阵行。

getTermCriteria()

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

纯虚函数

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

迭代式 SVM 训练过程的终止条件，该过程解决约束二次优化问题的部分情况。您可以指定容差和/或最大迭代次数。默认值为 TermCriteria( TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, FLT_EPSILON );

参见

setTermCriteria

getType()

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

纯虚函数

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

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

参见

setType

getUncompressedSupportVectors()

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

纯虚函数

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

获取线性 SVM 的所有未压缩支持向量。

该方法返回线性 SVM 的所有未压缩支持向量，压缩支持向量（用于预测）就是由此导出的。它们以浮点型矩阵的形式返回，其中支持向量存储为矩阵行。

load()

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

静态

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

加载并创建一个序列化后的SVM。

使用 SVM::save 将 SVM 序列化并存储到磁盘。通过使用文件的路径调用此函数，再次从该文件加载 SVM。

参数

filepath

序列化后的 svm 文件路径

setC()

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

纯虚函数

Python
	cv.ml.SVM.setC(	val	) ->	无

参见

getC

setClassWeights()

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

纯虚函数

Python
	cv.ml.SVM.setClassWeights(	val	) ->	无

参见

getClassWeights

setCoef0()

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

纯虚函数

Python
	cv.ml.SVM.setCoef0(	val	) ->	无

参见

getCoef0

setCustomKernel()

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

纯虚函数

使用自定义核初始化。有关实现细节，请参见 SVM::Kernel 类。

setDegree()

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

纯虚函数

Python
	cv.ml.SVM.setDegree(	val	) ->	无

参见

getDegree

setGamma()

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

纯虚函数

Python
	cv.ml.SVM.setGamma(	val	) ->	无

参见

getGamma

setKernel()

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

纯虚函数

Python
	cv.ml.SVM.setKernel(	kernelType	) ->	无

使用预定义核之一进行初始化。参见 SVM::KernelTypes。

setNu()

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

纯虚函数

Python
	cv.ml.SVM.setNu(	val	) ->	无

参见

getNu

setP()

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

纯虚函数

Python
	cv.ml.SVM.setP(	val	) ->	无

参见

getP

setTermCriteria()

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

纯虚函数

Python
	cv.ml.SVM.setTermCriteria(	val	) ->	无

参见

getTermCriteria

setType()

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

纯虚函数

Python
	cv.ml.SVM.setType(	val	) ->	无

参见

getType

trainAuto() [1/2]

virtual bool 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 )

纯虚函数

Python
	cv.ml.SVM.trainAuto(	样本，布局，响应[, kFold[, Cgrid[, gammaGrid[, pGrid[, nuGrid[, coeffGrid[, degreeGrid[, balanced]]]]]]]]	) ->	retval

训练具有最佳参数的 SVM。

参数

data	可以使用 TrainData::create 或 TrainData::loadFromCSV 构造的训练数据。
kFold	交叉验证参数。训练集被分成 kFold 个子集。一个子集用于测试模型，其他子集构成训练集。因此，SVM 算法将执行 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	如果为真且问题是二分类问题，则该方法会创建更均衡的交叉验证子集，即子集中的类别比例接近于整个训练数据集中的类别比例。

该方法通过选择最佳参数C、gamma、p、nu、coef0、degree来自动训练SVM模型。当测试集误差的交叉验证估计值最小化时，参数被认为是最佳的。

如果不需要优化某个参数，则相应的网格步长应设置为小于或等于1的任何值。例如，为了避免gamma的优化，设置gammaGrid.step = 0，gammaGrid.minVal，gamma_grid.maxVal为任意数字。在这种情况下，gamma的值取Gamma。

最后，如果需要优化某个参数但相应的网格未知，您可以调用函数SVM::getDefaultGrid。例如，要为gamma生成网格，请调用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，并执行参数在params中指定的常规SVM。

trainAuto() [2/2]

virtual bool cv::ml::SVM::trainAuto ( 输入数组 样本, int 布局, 输入数组 响应, 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 )

纯虚函数

Python
	cv.ml.SVM.trainAuto(	样本，布局，响应[, kFold[, Cgrid[, gammaGrid[, pGrid[, nuGrid[, coeffGrid[, degreeGrid[, balanced]]]]]]]]	) ->	retval

训练具有最佳参数的 SVM。

参数

样本	训练样本
布局	参见 ml::SampleTypes。
响应	与训练样本相关的响应向量。
kFold	交叉验证参数。训练集被分成kFold个子集。一个子集用于测试模型，其余子集构成训练集。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	如果为真且问题是二分类问题，则该方法会创建更均衡的交叉验证子集，即子集中的类别比例接近于整个训练数据集中的类别比例。

该方法通过选择最佳参数C、gamma、p、nu、coef0、degree来自动训练SVM模型。当测试集误差的交叉验证估计值最小化时，参数被认为是最佳的。

此函数仅使用SVM::getDefaultGrid进行参数优化，因此只提供基本参数选项。

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