随机梯度下降 SVM 分类器。更多…

#include <opencv2/ml.hpp>

cv::ml::SVMSGD 协作图

公共类型
枚举	MarginType { SOFT_MARGIN , HARD_MARGIN }

枚举	SvmsgdType { SGD , ASGD }

继承自 cv::ml::StatModel 的公共类型
枚举	标志 { UPDATE_MODEL = 1 , RAW_OUTPUT =1 , COMPRESSED_INPUT =2 , PREPROCESSED_INPUT =4 }

公共成员函数
virtual float	getInitialStepSize () const =0
	SVMSGD 优化问题的参数 initialStepSize。

virtual float	getMarginRegularization () const =0
	SVMSGD 优化问题的参数 marginRegularization。

virtual int	getMarginType () const =0
	边界类型，SVMSGD::MarginType 之一。

virtual float	getShift ()=0

virtual float	getStepDecreasingPower () const =0
	SVMSGD 优化问题的参数 stepDecreasingPower。

virtual int	getSvmsgdType () const =0
	算法类型，SVMSGD::SvmsgdType 之一。

virtual TermCriteria	getTermCriteria () const =0
	训练算法的终止条件。您可以指定最大迭代次数 (maxCount) 和/或迭代之间误差变化量 (epsilon) 来使算法继续。

virtual Mat	getWeights ()=0

virtual void	setInitialStepSize (float InitialStepSize)=0
	SVMSGD 优化问题的参数 initialStepSize。

virtual void	setMarginRegularization (float marginRegularization)=0
	SVMSGD 优化问题的参数 marginRegularization。

virtual void	setMarginType (int marginType)=0
	边界类型，SVMSGD::MarginType 之一。

virtual void	setOptimalParameters (int svmsgdType=SVMSGD::ASGD, int marginType=SVMSGD::SOFT_MARGIN)=0
	该函数为选择的 SVM SGD 模型设置最佳参数值。

virtual void	setStepDecreasingPower (float stepDecreasingPower)=0
	SVMSGD 优化问题的参数 stepDecreasingPower。

virtual void	setSvmsgdType (int svmsgdType)=0
	算法类型，SVMSGD::SvmsgdType 之一。

virtual void	setTermCriteria (const cv::TermCriteria &val)=0
	训练算法的终止条件。您可以指定最大迭代次数 (maxCount) 和/或迭代之间误差变化量 (epsilon) 来使算法继续。

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 Algorithm 为空（例如，在开始时或读取不成功后），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 ()

virtual	~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
	将算法参数存储在文件存储中。

void	write (FileStorage &fs, const String &name) const

静态公共成员函数
static Ptr< SVMSGD >	create ()
	创建空模型。使用 StatModel::train 来训练模型。由于 SVMSGD 有多个参数，您可能需要为您的问题找到最佳参数，或者使用 setOptimalParameters() 来设置一些默认参数。

static Ptr< SVMSGD >	加载 (const String &filepath, const String &nodeName=String())
	从文件中加载并创建一个序列化的SVMSGD。

继承自cv::ml::StatModel的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	训练 (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 >	加载 (const String &filename, const String &objname=String())
	从文件中加载算法。

template<typename _Tp >
static Ptr< _Tp >	从字符串加载 (const String &strModel, const String &objname=String())
	从字符串加载算法。

template<typename _Tp >
static Ptr< _Tp >	读取 (const FileNode &fn)
	从文件节点读取算法。

继承的其它成员
继承自cv::Algorithm的保护成员函数
void	写入格式 (FileStorage &fs) const

详细描述

随机梯度下降SVM分类器。

SVMSGD 提供了使用随机梯度下降法实现SVM分类器的快速易用方法，如[35]中所述。

该分类器具有以下参数：

模型类型，
裕度类型，
裕度正则化 ( \(\lambda\))，
初始步长 ( \(\gamma_0\))，
步长递减幂 ( \(c\))，
以及终止条件。

模型类型可以具有以下值之一：SGD 和 ASGD。

SGD 是 SVMSGD 分类器的经典版本：每一步都根据以下公式计算：
\[w_{t+1} = w_t - \gamma(t) \frac{dQ_i}{dw} |_{w = w_t}\]
其中
- \(w_t\) 是第 \(t\) 步决策函数的权重向量，
- \(\gamma(t)\) 是迭代 \(t\) 时模型参数的步长，它通过公式 \(\gamma(t) = \gamma_0 (1 + \lambda \gamma_0 t) ^ {-c}\) 在每一步都减小。
- \(Q_i\) 是来自SVM任务中编号为\(i\)的样本的目标函数，该样本在算法的每一步都随机选择。
ASGD 是平均随机梯度下降SVM分类器。ASGD 分类器通过公式 \(\widehat{w}_{t+1} = \frac{t}{1+t}\widehat{w}_{t} + \frac{1}{1+t}w_{t+1}\) 在算法的每一步都对权重向量进行平均。

推荐的模型类型是 ASGD（遵循[35]）。

裕度类型可以具有以下值之一：软裕度或硬裕度。

如果您有线性可分离的集合，则应使用硬裕度类型。
如果您有非线性可分离的集合或带有异常值的集合，则应使用软裕度类型。
在一般情况下（如果您不了解集合的线性可分离性），请使用软裕度。

其他参数可以描述如下：

裕度正则化参数负责每一步权重的减小以及对异常值的限制强度（参数越小，忽略异常值的概率越小）。SGD 模型的推荐值为 0.0001，ASGD 模型的推荐值为 0.00001。
初始步长参数是步长 \(\gamma(t)\) 的初始值。您需要为您的问题找到最佳的初始步长。
步长递减幂是上述公式中 \(\gamma(t)\) 减小的幂参数。SGD 模型的推荐值为 1，ASGD 模型的推荐值为 0.75。
终止条件可以是TermCriteria::COUNT、TermCriteria::EPS 或 TermCriteria::COUNT + TermCriteria::EPS。您需要为您的问题找到最佳的终止条件。

请注意，裕度正则化、初始步长和步长递减幂参数应为正数。

要使用SVMSGD算法，请按照以下步骤操作：

首先，创建一个SVMSGD 对象。算法默认会设置最佳参数，但是您可以通过函数setSvmsgdType()、setMarginType()、setMarginRegularization()、setInitialStepSize() 和 setStepDecreasingPower() 来设置您自己的参数。
然后，可以使用 SVM 模型通过 train() 方法使用训练特征和对应的标签进行训练。
之后，可以使用 predict() 方法预测新的特征向量的标签。

// 创建空对象
cv::Ptr<SVMSGD> svmsgd = SVMSGD::create();
 
// 训练随机梯度下降SVM
svmsgd->train(trainData);
 
// 预测新样本的标签
svmsgd->predict(samples, responses);

成员枚举文档

◆ MarginType

枚举 cv::ml::SVMSGD::MarginType

边界类型。

枚举器
SOFT_MARGIN	一般情况，适用于非线性可分集，允许异常值。
HARD_MARGIN	对于线性可分集的情况更准确。

◆ SvmsgdType

枚举 cv::ml::SVMSGD::SvmsgdType

SVMSGD 类型。ASGD 通常是更好的选择。

枚举器
SGD	随机梯度下降。
ASGD	平均随机梯度下降。

成员函数文档

◆ create()

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

静态

Python
	cv.ml.SVMSGD.create(		) ->	返回值
	cv.ml.SVMSGD_create(		) ->	返回值

创建空模型。使用 StatModel::train 来训练模型。由于 SVMSGD 有多个参数，您可能需要为您的问题找到最佳参数，或者使用 setOptimalParameters() 来设置一些默认参数。

◆ getInitialStepSize()

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

纯虚函数

Python
	cv.ml.SVMSGD.getInitialStepSize(		) ->	返回值

SVMSGD 优化问题的参数 initialStepSize。

另见: setInitialStepSize

◆ getMarginRegularization()

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

纯虚函数

Python
	cv.ml.SVMSGD.getMarginRegularization(		) ->	返回值

SVMSGD 优化问题的参数 marginRegularization。

另见: setMarginRegularization

◆ getMarginType()

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

纯虚函数

Python
	cv.ml.SVMSGD.getMarginType(		) ->	返回值

边界类型，SVMSGD::MarginType 之一。

另见: setMarginType

◆ getShift()

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

纯虚函数

Python
	cv.ml.SVMSGD.getShift(		) ->	返回值

返回: 训练模型的偏移量（决策函数 f(x) = weights * x + shift）。

◆ getStepDecreasingPower()

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

纯虚函数

Python
	cv.ml.SVMSGD.getStepDecreasingPower(		) ->	返回值

SVMSGD 优化问题的参数 stepDecreasingPower。

另见: setStepDecreasingPower

◆ getSvmsgdType()

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

纯虚函数

Python
	cv.ml.SVMSGD.getSvmsgdType(		) ->	返回值

算法类型，SVMSGD::SvmsgdType 之一。

另见: setSvmsgdType

◆ getTermCriteria()

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

纯虚函数

Python
	cv.ml.SVMSGD.getTermCriteria(		) ->	返回值

训练算法的终止条件。您可以指定最大迭代次数 (maxCount) 和/或迭代之间误差变化量 (epsilon) 来使算法继续。

另见: setTermCriteria

◆ getWeights()

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

纯虚函数

Python
	cv.ml.SVMSGD.getWeights(		) ->	返回值

返回: 训练模型的权重（决策函数 f(x) = weights * x + shift）。

◆ load()

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

静态

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

从文件中加载并创建一个序列化的SVMSGD。

使用 SVMSGD::save 将 SVMSGD 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 SVMSGD。可以选择指定包含分类器的文件的节点

参数

filepath	序列化 SVMSGD 的路径
nodeName	包含分类器的节点名称

◆ setInitialStepSize()

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

纯虚函数

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

SVMSGD 优化问题的参数 initialStepSize。

另见: getInitialStepSize

◆ setMarginRegularization()

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

纯虚函数

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

SVMSGD 优化问题的参数 marginRegularization。

另见: getMarginRegularization

◆ setMarginType()

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

纯虚函数

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

边界类型，SVMSGD::MarginType 之一。

另见: getMarginType

◆ setOptimalParameters()

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

纯虚函数

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

该函数为选择的 SVM SGD 模型设置最佳参数值。

参数

svmsgdType	是 SVMSGD 分类器的类型。
marginType	是边缘约束的类型。

◆ setStepDecreasingPower()

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

纯虚函数

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

SVMSGD 优化问题的参数 stepDecreasingPower。

另见: getStepDecreasingPower

◆ setSvmsgdType()

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

纯虚函数

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

算法类型，SVMSGD::SvmsgdType 之一。

另见: getSvmsgdType

◆ setTermCriteria()

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

纯虚函数

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

训练算法的终止条件。您可以指定最大迭代次数 (maxCount) 和/或迭代之间误差变化量 (epsilon) 来使算法继续。

另见: getTermCriteria

此类的文档是从以下文件生成的：

opencv2/ml.hpp

公共类型

公共成员函数

静态公共成员函数

继承的其它成员

详细描述

成员枚举文档

◆ MarginType

◆ SvmsgdType

成员函数文档

◆ create()

◆ getInitialStepSize()

◆ getMarginRegularization()

◆ getMarginType()

◆ getShift()

◆ getStepDecreasingPower()

◆ getSvmsgdType()

◆ getTermCriteria()

◆ getWeights()

◆ load()

◆ setInitialStepSize()

◆ setMarginRegularization()

◆ setMarginType()

◆ setOptimalParameters()

◆ setStepDecreasingPower()

◆ setSvmsgdType()

◆ setTermCriteria()