包 org.opencv.ml

类 SVM

  • public class SVM
extends StatModel
    支持向量机。参见：REF: ml_intro_svm

    • 构造函数详情

      • SVM

        protected SVM​(long addr)

    • 方法详情

      • __fromPtr__

        public static SVM __fromPtr__​(long addr)

      • getType

        public int getType()
        参见：setType
        返回值
        自动生成

      • setType

        public void setType​(int val)
        getType 参见：getType
        参数
        val - 自动生成

      • getGamma

        public double getGamma()
        参见：setGamma
        返回值
        自动生成

      • setGamma

        public void setGamma​(double val)
        getGamma 参见：getGamma
        参数
        val - 自动生成

      • getCoef0

        public double getCoef0()
        参见：setCoef0
        返回值
        自动生成

      • setCoef0

        public void setCoef0​(double val)
        getCoef0 参见：getCoef0
        参数
        val - 自动生成

      • getDegree

        public double getDegree()
        参见：setDegree
        返回值
        自动生成

      • setDegree

        public void setDegree​(double val)
        getDegree 参见：getDegree
        参数
        val - 自动生成

      • getC

        public double getC()
        参见：setC
        返回值
        自动生成

      • setC

        public void setC​(double val)
        getC 参见：getC
        参数
        val - 自动生成

      • getNu

        public double getNu()
        参见：setNu
        返回值
        自动生成

      • setNu

        public void setNu​(double val)
        getNu 参见：getNu
        参数
        val - 自动生成

      • getP

        public double getP()
        参见：setP
        返回值
        自动生成

      • setP

        public void setP​(double val)
        getP 参见：getP
        参数
        val - 自动生成

      • getClassWeights

        public Mat getClassWeights()
        参见：setClassWeights
        返回值
        自动生成

      • setClassWeights

        public void setClassWeights​(Mat val)
        getClassWeights 参见：getClassWeights
        参数
        val - 自动生成

      • getTermCriteria

        public TermCriteria getTermCriteria()
        参见：setTermCriteria
        返回值
        自动生成

      • setTermCriteria

        public void setTermCriteria​(TermCriteria val)
        getTermCriteria 参见：getTermCriteria
        参数
        val - 自动生成

      • getKernelType

        public int getKernelType()
        SVM 核的类型。参见 SVM::KernelTypes。默认值为 SVM::RBF。
        返回值
        自动生成

      • setKernel

        public void setKernel​(int kernelType)
        用预定义的内核之一初始化。参见 SVM::KernelTypes。
        参数
        kernelType - 自动生成

      • trainAuto

        public boolean trainAuto​(Mat samples,
                         int layout,
                         Mat responses,
                         int kFold,
                         ParamGrid Cgrid,
                         ParamGrid gammaGrid,
                         ParamGrid pGrid,
                         ParamGrid nuGrid,
                         ParamGrid coeffGrid,
                         ParamGrid degreeGrid,
                         boolean balanced)
        使用最佳参数训练 %SVM。
        参数
        samples - 训练样本
        layout - 参见 ml::SampleTypes。
        responses - 与训练样本相关的响应向量。
        kFold - 交叉验证参数。训练集被划分为 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类分类，则该方法创建更平衡的交叉验证子集，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，参数被认为是最优的。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) 和回归 (SVM::EPS_SVR 或 SVM::NU_SVR)。如果是 SVM::ONE_CLASS，则不进行优化，并执行带有 params 中指定参数的常规 SVM。
        返回值
        自动生成

      • trainAuto

        public boolean trainAuto​(Mat samples,
                         int layout,
                         Mat responses,
                         int kFold,
                         ParamGrid Cgrid,
                         ParamGrid gammaGrid,
                         ParamGrid pGrid,
                         ParamGrid nuGrid,
                         ParamGrid coeffGrid,
                         ParamGrid degreeGrid)
        使用最佳参数训练 %SVM。
        参数
        samples - 训练样本
        layout - 参见 ml::SampleTypes。
        responses - 与训练样本相关的响应向量。
        kFold - 交叉验证参数。训练集被划分为 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，平衡的交叉验证子集，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，参数被认为是最优的。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) 和回归 (SVM::EPS_SVR 或 SVM::NU_SVR)。如果是 SVM::ONE_CLASS，则不进行优化，并执行带有 params 中指定参数的常规 SVM。
        返回值
        自动生成

      • trainAuto

        public boolean trainAuto​(Mat samples,
                         int layout,
                         Mat responses,
                         int kFold,
                         ParamGrid Cgrid,
                         ParamGrid gammaGrid,
                         ParamGrid pGrid,
                         ParamGrid nuGrid,
                         ParamGrid coeffGrid)
        使用最佳参数训练 %SVM。
        参数
        samples - 训练样本
        layout - 参见 ml::SampleTypes。
        responses - 与训练样本相关的响应向量。
        kFold - 交叉验证参数。训练集被划分为 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，平衡的交叉验证子集，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，参数被认为是最优的。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) 和回归 (SVM::EPS_SVR 或 SVM::NU_SVR)。如果是 SVM::ONE_CLASS，则不进行优化，并执行带有 params 中指定参数的常规 SVM。
        返回值
        自动生成

      • trainAuto

        public boolean trainAuto​(Mat samples,
                         int layout,
                         Mat responses,
                         int kFold,
                         ParamGrid Cgrid,
                         ParamGrid gammaGrid,
                         ParamGrid pGrid,
                         ParamGrid nuGrid)
        使用最佳参数训练 %SVM。
        参数
        samples - 训练样本
        layout - 参见 ml::SampleTypes。
        responses - 与训练样本相关的响应向量。
        kFold - 交叉验证参数。训练集被划分为 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 算法是
        Cgrid - C 的网格
        gammaGrid - gamma 的网格
        pGrid - p 的网格
        nuGrid - nu 的网格，平衡的交叉验证子集，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，参数被认为是最优的。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) 和回归 (SVM::EPS_SVR 或 SVM::NU_SVR)。如果是 SVM::ONE_CLASS，则不进行优化，并执行带有 params 中指定参数的常规 SVM。
        返回值
        自动生成

      • trainAuto

        public boolean trainAuto​(Mat samples,
                         int layout,
                         Mat responses,
                         int kFold,
                         ParamGrid Cgrid,
                         ParamGrid gammaGrid,
                         ParamGrid pGrid)
        使用最佳参数训练 %SVM。
        参数
        samples - 训练样本
        layout - 参见 ml::SampleTypes。
        responses - 与训练样本相关的响应向量。
        kFold - 交叉验证参数。训练集被划分为 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 算法是
        Cgrid - C 的网格
        gammaGrid - gamma 的网格
        pGrid - 用于p平衡交叉验证子集的网格，其中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，并执行具有params中指定参数的常规%SVM。
        返回值
        自动生成

      • trainAuto

        public boolean trainAuto​(Mat samples,
                         int layout,
                         Mat responses,
                         int kFold,
                         ParamGrid Cgrid,
                         ParamGrid gammaGrid)
        使用最佳参数训练 %SVM。
        参数
        samples - 训练样本
        layout - 参见 ml::SampleTypes。
        responses - 与训练样本相关的响应向量。
        kFold - 交叉验证参数。训练集被划分为 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 算法是
        Cgrid - C 的网格
        gammaGrid - 用于gamma平衡交叉验证子集的网格，其中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，并执行具有params中指定参数的常规%SVM。
        返回值
        自动生成

      • trainAuto

        public boolean trainAuto​(Mat samples,
                         int layout,
                         Mat responses,
                         int kFold,
                         ParamGrid Cgrid)
        使用最佳参数训练 %SVM。
        参数
        samples - 训练样本
        layout - 参见 ml::SampleTypes。
        responses - 与训练样本相关的响应向量。
        kFold - 交叉验证参数。训练集被划分为 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 算法是
        Cgrid - 用于C平衡交叉验证子集的网格，其中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，并执行具有params中指定参数的常规%SVM。
        返回值
        自动生成

      • trainAuto

        public boolean trainAuto​(Mat samples,
                         int layout,
                         Mat responses,
                         int kFold)
        使用最佳参数训练 %SVM。
        参数
        samples - 训练样本
        layout - 参见 ml::SampleTypes。
        responses - 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，其他子集构成训练集。因此，%SVM算法是平衡交叉验证子集，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，并执行具有params中指定参数的常规%SVM。
        返回值
        自动生成

      • trainAuto

        public boolean trainAuto​(Mat samples,
                         int layout,
                         Mat responses)
        使用最佳参数训练 %SVM。
        参数
        samples - 训练样本
        layout - 参见 ml::SampleTypes。
        responses - 与训练样本相关的响应向量。一个子集用于测试模型，其他子集构成训练集。因此，%SVM算法是平衡交叉验证子集，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，并执行具有params中指定参数的常规%SVM。
        返回值
        自动生成

      • getSupportVectors

        public Mat getSupportVectors()
        检索所有支持向量。该方法将所有支持向量作为浮点矩阵返回，其中支持向量存储为矩阵行。
        返回值
        自动生成

      • getUncompressedSupportVectors

        public Mat getUncompressedSupportVectors()
        检索线性%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。它们以浮点矩阵的形式返回，其中支持向量存储为矩阵行。
        返回值
        自动生成

      • getDecisionFunction

        public double getDecisionFunction​(int i,
                                  Mat alpha,
                                  Mat svidx)
        检索决策函数
        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 - 可选的输出向量，用于不同支持向量的权重。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。
        返回值
        自动生成

      • getDefaultGridPtr

        public static ParamGrid getDefaultGridPtr​(int param_id)
        为 %SVM 参数生成网格。
        参数
        param_id - %SVM参数ID，必须是SVM::ParamTypes之一。网格是为具有此ID的参数生成的。该函数为指定的%SVM算法参数生成一个网格指针。该网格可以传递给函数SVM::trainAuto。
        返回值
        自动生成

      • create

        public static SVM create()
        创建空模型。使用StatModel::train训练模型。由于%SVM有多个参数，您可能希望找到适合您问题的最佳参数，可以使用SVM::trainAuto来完成。
        返回值
        自动生成

      • load

        public static SVM load​(java.lang.String filepath)
        从文件中加载并创建一个序列化的svm。使用SVM::save序列化并将SVM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svm的文件路径
        返回值
        自动生成

      • finalize

        protected void finalize()
                 throws java.lang.Throwable
        重写
        finalize 在类 StatModel中
        抛出
        java.lang.Throwable