cv::ml::SVMSGD 类参考

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	裕度类型 {   SOFT_MARGIN ,   HARD_MARGIN }
枚举	Svmsgd类型 {   SGD ,   ASGD }
从 cv::ml::StatModel 继承的公共类型
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 initialStepSize 参数。
virtual float	getMarginRegularization () const =0
	SVMSGD 优化问题的 marginRegularization 参数。
virtual int	getMarginType () const =0
	裕度类型，SVMSGD::MarginType 之一。
virtual float	getShift ()=0
virtual float	getStepDecreasingPower () const =0
	SVMSGD 优化问题的 stepDecreasingPower 参数。
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/或迭代之间错误变化的程度，以使算法继续执行 (epsilon)。
virtual Mat	getWeights ()=0
virtual void	setInitialStepSize (float InitialStepSize)=0
	SVMSGD 优化问题的 initialStepSize 参数。
virtual void	setMarginRegularization (float marginRegularization)=0
	SVMSGD 优化问题的 marginRegularization 参数。
virtual void	setMarginType (int marginType)=0
	裕度类型，SVMSGD::MarginType 之一。
virtual void	setOptimalParameters (int svmsgdType=SVMSGD::ASGD, int marginType=SVMSGD::SOFT_MARGIN)=0
	此函数为所选的 SVM SGD 模型设置最佳参数值。
virtual void	setStepDecreasingPower (float stepDecreasingPower)=0
	SVMSGD 优化问题的 stepDecreasingPower 参数。
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/或迭代之间错误变化的程度，以使算法继续执行 (epsilon)。
从 cv::ml::StatModel 继承的公共成员函数
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。
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
static Ptr< SVMSGD >	create ()
	创建空模型。使用 StatModel::train 训练模型。由于 SVMSGD 有多个参数，您可能需要为问题找到最佳参数，或使用 setOptimalParameters() 设置一些默认参数。
static Ptr< SVMSGD >	load (const String &filepath, const String &nodeName=String())
	从文件中加载并创建一个序列化的 SVMSGD。
从 cv::ml::StatModel 继承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。
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

随机梯度下降 SVM 分类器。

SVMSGD 提供了使用随机梯度下降方法实现 SVM 分类器的快速易用实现，如 [36] 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 ( \(c\))，
• 和终止条件。

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：每个后续步骤通过以下公式计算

  \[w_{t+1} = w_t - \gamma(t) \frac{dQ_i}{dw} |_{w = w_t}\]

  其中
  • \(w_t\) 是步骤 \(t\) 处决策函数的权重向量，
  • \(\gamma(t)\) 是迭代 \(t\) 时模型参数的步长，它在每个步骤中通过公式 \(\gamma(t) = \gamma_0 (1 + \lambda \gamma_0 t) ^ {-c}\) 递减
  • \(Q_i\) 是 SVM 任务中编号为 \(i\) 的样本的目标函数，该样本在算法的每个步骤中随机选择。
• ASGD 是平均随机梯度下降 SVM 分类器。ASGD 分类器在算法的每个步骤中通过公式 \(\widehat{w}_{t+1} = \frac{t}{1+t}\widehat{w}_{t} + \frac{1}{1+t}w_{t+1}\) 平均权重向量

推荐的模型类型是 ASGD（参见 [36]）。

裕度类型可以具有以下值之一： SOFT_MARGIN 或 HARD_MARGIN。

• 如果您有线性可分离集，则应使用 HARD_MARGIN 类型。
• 如果您有非线性可分离集或含有异常值的集，则应使用 SOFT_MARGIN 类型。
• 在一般情况下（如果您对集合的线性可分离性一无所知），请使用 SOFT_MARGIN。

其他参数可描述如下

• 裕度正则化参数负责每一步的权重递减以及对异常值的限制强度（参数越小，异常值被忽略的可能性越小）。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初始步长。
• 步长递减幂是根据上述公式递减 \(\gamma(t)\) 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终止条件。

请注意，参数裕度正则化、初始步长和步长递减幂应为正值。

要使用 SVMSGD 算法，请按以下步骤操作

• 首先，创建 SVMSGD 对象。算法将默认设置最佳参数，但您可以通过函数 setSvmsgdType()、setMarginType()、setMarginRegularization()、setInitialStepSize() 和 setStepDecreasingPower() 设置自己的参数。
• 然后可以使用训练特征和相应的标签通过方法 train() 训练 SVM 模型。
• 之后，可以使用方法 predict() 预测新特征向量的标签。

// 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

裕度类型

enum cv::ml::SVMSGD::MarginType

裕度类型。

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

Svmsgd类型

enum cv::ml::SVMSGD::SvmsgdType

SVMSGD 类型。ASGD 通常是首选。

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 ( )

static

Python
	cv.ml.SVMSGD.create(		) ->	retval
	cv.ml.SVMSGD_create(		) ->	retval

创建空模型。使用 StatModel::train 训练模型。由于 SVMSGD 有多个参数，您可能需要为问题找到最佳参数，或使用 setOptimalParameters() 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(		) ->	retval

SVMSGD 优化问题的 initialStepSize 参数。

另请参见

setInitialStepSize

getMarginRegularization()

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

纯虚函数

Python
	cv.ml.SVMSGD.getMarginRegularization(		) ->	retval

SVMSGD 优化问题的 marginRegularization 参数。

另请参见

setMarginRegularization

getMarginType()

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

纯虚函数

Python
	cv.ml.SVMSGD.getMarginType(		) ->	retval

裕度类型，SVMSGD::MarginType 之一。

另请参见

setMarginType

getShift()

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

纯虚函数

Python
	cv.ml.SVMSGD.getShift(		) ->	retval

返回

训练模型的偏移量（决策函数 f(x) = 权重 * x + 偏移）。

getStepDecreasingPower()

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

纯虚函数

Python
	cv.ml.SVMSGD.getStepDecreasingPower(		) ->	retval

SVMSGD 优化问题的 stepDecreasingPower 参数。

另请参见

setStepDecreasingPower

getSvmsgdType()

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

纯虚函数

Python
	cv.ml.SVMSGD.getSvmsgdType(		) ->	retval

算法类型，SVMSGD::SvmsgdType 之一。

另请参见

setSvmsgdType

getTermCriteria()

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

纯虚函数

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

训练算法的终止条件。您可以指定最大迭代次数 (maxCount) 和/或迭代之间错误变化的程度，以使算法继续执行 (epsilon)。

另请参见

setTermCriteria

getWeights()

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

纯虚函数

Python
	cv.ml.SVMSGD.getWeights(		) ->	retval

返回

训练模型的权重（决策函数 f(x) = 权重 * x + 偏移）。

load()

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

static

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

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。通过使用文件路径调用此函数，再次从该文件加载 SVMSGD。可选地指定包含分类器的文件节点

参数

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

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 initialStepSize 参数。

另请参见

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 marginRegularization 参数。

另请参见

getMarginRegularization

setMarginType()

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

纯虚函数

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

裕度类型，SVMSGD::MarginType 之一。

另请参见

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

此函数为所选的 SVM SGD 模型设置最佳参数值。

参数

svmsgdType	是 SVMSGD 分类器的类型。
marginType	是裕度约束的类型。

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 stepDecreasingPower 参数。

另请参见

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。

另请参见

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/或迭代之间错误变化的程度，以使算法继续执行 (epsilon)。

另请参见

getTermCriteria

---

此类的文档是从以下文件生成的

• opencv2/ml.hpp