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（内核）

公共类型
枚举	核类型 {   CUSTOM =-1 ,   线性 =0 ,   多项式核 (POLY) =1 ,   径向基函数核 (RBF) =2 ,   Sigmoid核 (SIGMOID) =3 ,   卡方核 (CHI2) =4 ,   交叉核 (INTER) =5 }
	SVM 核类型 更多...
枚举	参数类型 {   C =0 ,   伽马 (GAMMA) =1 ,   P =2 ,   Nu (NU) =3 ,   系数 (COEF) =4 ,   度 (DEGREE) =5 }
	SVM 参数类型 更多...
枚举	类型 {   C-支持向量分类 (C_SVC) =100 ,   Nu-支持向量分类 (NU_SVC) =101 ,   一类 SVM (ONE_CLASS) =102 ,   Epsilon-支持向量回归 (EPS_SVR) =103 ,   Nu-支持向量回归 (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 = 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
	使用最优参数训练 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
	使用最优参数训练 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误差。
virtual bool	empty () const CV_OVERRIDE
	如果 算法 为空（例如，在最开始或读取不成功后），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
	Algorithm ()
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)
	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)
	从文件中加载并创建一个序列化的 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)
	使用默认参数创建并训练模型。
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。

另请参见

支持向量机

成员枚举文档

核类型

enum cv::ml::SVM::KernelTypes

SVM 核类型

在以下具有四个类别的 2D 测试用例中，对不同核的比较。使用 auto_train 训练了四个 SVM::C_SVC SVM（一对多训练）。对三种不同核进行评估（SVM::CHI2、SVM::INTER、SVM::RBF）。颜色表示得分最高的类别。亮色表示最大得分 > 0，深色表示最大得分 < 0。

枚举器
自定义 (CUSTOM)	当设置了自定义核时，由 SVM::getKernelType 返回
线性 (LINEAR)	线性核。不进行映射，在线性特征空间中进行线性判别（或回归）。这是最快的选项。 \(K(x_i, x_j) = x_i^T x_j\)。
多项式 (POLY)	多项式核： \(K(x_i, x_j) = (\gamma x_i^T x_j + coef0)^{degree}, \gamma > 0\)。
径向基函数 (RBF)	径向基函数 (RBF)，在大多数情况下是一个不错的选择。 \(K(x_i, x_j) = e^{-\gamma ||x_i - x_j||^2}, \gamma > 0\)。
Sigmoid (SIGMOID)	Sigmoid 核： \(K(x_i, x_j) = \tanh(\gamma x_i^T x_j + coef0)\)。
卡方 (CHI2)	指数卡方核，类似于 RBF 核： \(K(x_i, x_j) = e^{-\gamma \chi^2(x_i,x_j)}, \chi^2(x_i,x_j) = (x_i-x_j)^2/(x_i+x_j), \gamma > 0\)。
交叉 (INTER)	直方图交叉核。一种快速核。 \(K(x_i, x_j) = min(x_i,x_j)\)。

参数类型

enum cv::ml::SVM::ParamTypes

SVM 参数类型

枚举器
C
GAMMA
P
NU
COEF
DEGREE

类型

enum cv::ml::SVM::Types

SVM 类型

枚举器
C-支持向量分类 (C_SVC)	C-支持向量分类。n类分类（n \(\geq\) 2），允许对带有惩罚乘数 C 的异常值进行不完全的类别分离。
Nu-支持向量分类 (NU_SVC)	\(\nu\)-支持向量分类。可能存在不完全分离的 n 类分类。使用参数 \(\nu\)（范围 0..1，值越大，决策边界越平滑）代替 C。
一类 SVM (ONE_CLASS)	分布估计（一类 SVM）。所有训练数据都来自同一个类别，SVM 构建一个边界，将该类别与特征空间的其他部分分开。
Epsilon-支持向量回归 (EPS_SVR)	\(\epsilon\)-支持向量回归。训练集中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-支持向量回归 (NU_SVR)	\(\nu\)-支持向量回归。使用 \(\nu\) 代替 p。详情请参见 [51]。

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 训练模型。由于 SVM 有多个参数，您可能需要为您的特定问题找到最佳参数，这可以通过 SVM::trainAuto 来实现。

getC()

virtual 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。适用于 SVM::C_SVC、SVM::EPS_SVR 或 SVM::NU_SVR。默认值为 0。

另请参见

setC

getClassWeights()

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

纯虚函数

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

SVM::C_SVC 问题中的可选权重，分配给特定类别。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。

另请参见

setClassWeights

getCoef0()

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

纯虚函数

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

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

另请参见

setCoef0

getDecisionFunction()

virtual 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

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、一类或两类分类，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	可选的权重输出向量，对应于不同的支持向量。在线性 SVM 的情况下，所有的 alpha 值都将是 1。
svidx	支持向量矩阵中的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，每个决策函数由一个“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()

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 SVM::ParamTypes 之一。为具有此 ID 的参数生成网格。

此函数为 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()

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 SVM::ParamTypes 之一。为具有此 ID 的参数生成网格。

此函数为 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()

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

纯虚函数

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

核函数的参数 degree。适用于 SVM::POLY。默认值为 0。

另请参见

setDegree

getGamma()

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

纯虚函数

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

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

另请参见

setGamma

getKernelType()

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

纯虚函数

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

纯虚函数

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

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

另请参见

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 \(\epsilon\)。适用于 SVM::EPS_SVR。默认值为 0。

另请参见

setP

getSupportVectors()

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

纯虚函数

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

检索所有支持向量。

此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。

getTermCriteria()

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

纯虚函数

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

迭代 SVM 训练过程的终止准则，该过程解决了受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 );

另请参见

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。

另请参见

setType

getUncompressedSupportVectors()

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

纯虚函数

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

检索线性 SVM 的所有未压缩支持向量。

此方法返回线性 SVM 的所有未压缩支持向量，预测中使用的压缩支持向量就是从它们派生而来的。它们以浮点矩阵的形式返回，其中支持向量存储为矩阵行。

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

从文件中加载并创建一个序列化的 SVM。

使用 SVM::save 将 SVM 序列化并存储到磁盘。通过调用此函数并指定文件路径，可以再次从该文件加载 SVM。

参数

filepath

序列化 SVM 的路径

setC()

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

纯虚函数

Python
	cv.ml.SVM.setC(	val	) ->	无

另请参见

getC

setClassWeights()

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

纯虚函数

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

另请参见

getClassWeights

setCoef0()

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

纯虚函数

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

另请参见

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

另请参见

getDegree

setGamma()

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

纯虚函数

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

另请参见

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

另请参见

getNu

setP()

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

纯虚函数

Python
	cv.ml.SVM.setP(	val	) ->	无

另请参见

getP

setTermCriteria()

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

纯虚函数

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

另请参见

getTermCriteria

setType()

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

纯虚函数

Python
	cv.ml.SVM.setType(	val	) ->	无

另请参见

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(	samples, layout, responses[, kFold[, Cgrid[, gammaGrid[, pGrid[, nuGrid[, coeffGrid[, degreeGrid[, balanced]]]]]]]]	) ->	retval

使用最优参数训练 SVM。

参数

data	可以使用 TrainData::create 或 TrainData::loadFromCSV 构建的训练数据。
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 true 且问题是二类分类，则该方法会创建更平衡的交叉验证子集，即子集中类之间的比例接近于整个训练数据集中的比例。

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

如果不需要优化某个参数，应将相应的网格步长设置为小于或等于 1 的任意值。例如，为避免 gamma 的优化，请将 gammaGrid.step = 0、gammaGrid.minVal 和 gamma_grid.maxVal 设置为任意数字。在这种情况下，Gamma 值将用于 gamma。

最后，如果需要优化某个参数但不知道相应的网格，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）。如果它是 SVM::ONE_CLASS，则不进行优化，并执行使用 params 中指定参数的常规 SVM。

trainAuto() [2/2]

virtual bool 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 )

纯虚函数

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

使用最优参数训练 SVM。

参数

samples	训练样本
layout	参见 ml::SampleTypes。
responses	与训练样本关联的响应向量。
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
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 且问题是二类分类，则该方法会创建更平衡的交叉验证子集，即子集中类之间的比例接近于整个训练数据集中的比例。

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

此函数仅利用 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）。如果它是 SVM::ONE_CLASS，则不进行优化，并执行使用 params 中指定参数的常规 SVM。

---

此类的文档是从以下文件生成的

• opencv2/ml.hpp