cv::ml::StatModel 类参考

OpenCV ML 中统计模型的基类。 更多...

#include <opencv2/ml.hpp>

cv::ml::StatModel 的协作图

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	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，在刚开始时或读取不成功之后），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。
从 cv::Algorithm 继承的公共成员函数
	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
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。
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。

附加的继承成员
从 cv::Algorithm 继承的保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

OpenCV ML 中统计模型的基类。

成员枚举文档

标志

enum cv::ml::StatModel::Flags

预测选项

枚举器
UPDATE_MODEL
RAW_OUTPUT	使该方法返回原始结果（总和），而不是类标签
COMPRESSED_INPUT
PREPROCESSED_INPUT

成员函数文档

calcError()

virtual float cv::ml::StatModel::calcError ( const Ptr< TrainData > & data, bool test, OutputArray resp ) const

virtual

Python
	cv.ml.StatModel.calcError(	data, test[, resp]	) ->	retval, resp

计算训练或测试数据集上的误差。

参数

data	训练数据
test	如果为 true，则在数据的测试子集上计算误差；否则，在数据的训练子集上计算误差。请注意，如果您加载了一个完全不同的数据集来评估已训练的分类器，您可能根本不想使用 TrainData::setTrainTestSplitRatio 设置测试子集，并指定 test=false，以便为整个新集合计算误差。是的，这听起来有点令人困惑。
resp	可选的输出响应。

该方法使用 StatModel::predict 来计算误差。对于回归模型，误差计算为 RMS；对于分类器，误差计算为错误分类样本的百分比 (0%-100%)。

empty()

virtual bool cv::ml::StatModel::empty ( ) const

virtual

Python
	cv.ml.StatModel.empty(		) ->	retval

如果 Algorithm 为空（例如，在刚开始时或读取不成功之后），则返回 true。

从 cv::Algorithm 重新实现。

getVarCount()

virtual int cv::ml::StatModel::getVarCount ( ) const

纯虚函数

Python
	cv.ml.StatModel.getVarCount(		) ->	retval

返回训练样本中变量的数量。

isClassifier()

virtual bool cv::ml::StatModel::isClassifier ( ) const

纯虚函数

Python
	cv.ml.StatModel.isClassifier(		) ->	retval

如果模型是分类器，则返回 true。

isTrained()

virtual bool cv::ml::StatModel::isTrained ( ) const

纯虚函数

Python
	cv.ml.StatModel.isTrained(		) ->	retval

如果模型已训练，则返回 true。

predict()

virtual float cv::ml::StatModel::predict ( InputArray samples, OutputArray results = noArray(), int flags = 0 ) const

纯虚函数

Python
	cv.ml.StatModel.predict(	samples[, results[, flags]]	) ->	retval, results

预测提供的样本的响应

参数

samples	输入样本，浮点矩阵
结果	结果的可选输出矩阵。
flags	可选标志，模型相关。请参阅 cv::ml::StatModel::Flags。

在 cv::ml::EM 和 cv::ml::LogisticRegression 中实现。

train() [1/3]

template<typename _Tp >

static Ptr< _Tp > cv::ml::StatModel::train ( const Ptr< TrainData > & data, int flags = 0 )

inlinestatic

Python
	cv.ml.StatModel.train(	trainData[, flags]	) ->	retval
	cv.ml.StatModel.train(	samples, layout, responses	) ->	retval

使用默认参数创建并训练模型。

该类必须实现静态 create() 方法，该方法没有参数或所有参数都具有默认值

train() [2/3]

virtual bool cv::ml::StatModel::train ( const Ptr< TrainData > & trainData, int flags = 0 )

virtual

Python
	cv.ml.StatModel.train(	trainData[, flags]	) ->	retval
	cv.ml.StatModel.train(	samples, layout, responses	) ->	retval

训练统计模型。

参数

trainData	可以使用 TrainData::loadFromCSV 从文件加载的训练数据，或者使用 TrainData::create 创建。
flags	可选标志，取决于模型。某些模型可以使用新的训练样本进行更新，而不是完全覆盖（例如 NormalBayesClassifier 或 ANN_MLP）。

train() [3/3]

virtual bool cv::ml::StatModel::train ( InputArray samples, int layout, InputArray responses )

virtual

Python
	cv.ml.StatModel.train(	trainData[, flags]	) ->	retval
	cv.ml.StatModel.train(	samples, layout, responses	) ->	retval

训练统计模型。

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量。

---

此类文档由以下文件生成

• opencv2/ml.hpp