cv::ml::SVM 类参考

支持向量机。 更多...

#include <opencv2/ml.hpp>

cv::ml::SVM 协作图

类
类	核函数

公开类型
enum	核函数类型 {   CUSTOM =-1 ,   LINEAR =0 ,   POLY =1 ,   RBF =2 ,   SIGMOID =3 ,   CHI2 =4 ,   INTER =5 }
	SVM 核函数类型 更多...
enum	参数类型 {   C =0 ,   GAMMA =1 ,   P =2 ,   NU =3 ,   COEF =4 ,   DEGREE =5 }
	SVM 参数类型 更多...
enum	类型 {   C_SVC =100 ,   NU_SVC =101 ,   ONE_CLASS =102 ,   EPS_SVR =103 ,   NU_SVR =104 }
	SVM 类型 更多...
从 cv::ml::StatModel 继承的公共类型
enum	标志 {   UPDATE_MODEL = 1 ,   RAW_OUTPUT =1 ,   COMPRESSED_INPUT =2 ,   PREPROCESSED_INPUT =4 }

公开成员函数
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
	使用最佳参数训练 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
	使用最佳参数训练 SVM。
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
	计算训练集或测试集上的误差。
virtual bool	empty () const CV_OVERRIDE
	如果 Algorithm 为空（例如，在最开始或读取不成功后），则返回 true。
virtual int	getVarCount () const =0
	返回训练样本中的变量数量。
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
	预测所提供样本的响应
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
	将算法参数存储在文件存储中。
void	write (FileStorage &fs, const String &name) const

静态公开成员函数
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)
	从文件加载并创建序列化的 SVM。
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)
	创建并训练具有默认参数的模型。
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())
	从字符串中加载算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	从文件节点中读取算法。

更多继承的成员
从 cv::Algorithm 继承的保护成员函数
void	writeFormat (FileStorage &fs) const

详细说明

支持向量机。

另请参阅

支持向量机

成员枚举文档

核函数类型

枚举 cv::ml::SVM::KernelTypes

SVM 核函数类型

在以下具有四个类别的二维测试案例中，不同核函数的比较。已经训练了四个 SVM::C_SVC SVM（一对多），并进行了自动训练。评估了三种不同核函数（SVM::CHI2、SVM::INTER、SVM::RBF）。颜色表示得分最高的类别。亮表示最高得分 > 0，暗表示最高得分 < 0。

枚举值 (Enumerator)
CUSTOM	当设置了自定义核函数时，由 SVM::getKernelType 返回
LINEAR	线性核函数。不进行映射，在原始特征空间中进行线性判别（或回归）。这是最快的选项。 \(K(x_i, x_j) = x_i^T x_j\)。
POLY	多项式核函数： \(K(x_i, x_j) = (\gamma x_i^T x_j + coef0)^{degree}, \gamma > 0\)。
RBF	径向基函数（RBF），在大多数情况下都是一个不错的选择。 \(K(x_i, x_j) = e^{-\gamma ||x_i - x_j||^2}, \gamma > 0\)。
SIGMOID	Sigmoid 核函数： \(K(x_i, x_j) = \tanh(\gamma x_i^T x_j + coef0)\)。
CHI2	指数卡方核函数，类似于 RBF 核函数： \(K(x_i, x_j) = e^{-\gamma \chi^2(x_i,x_j)}, \chi^2(x_i,x_j) = (x_i-x_j)^2/(x_i+x_j), \gamma > 0\)。
INTER	直方图交集核函数。一个快速的核函数。 \(K(x_i, x_j) = min(x_i,x_j)\)。

参数类型

枚举 cv::ml::SVM::ParamTypes

SVM 参数类型

枚举值 (Enumerator)
C
GAMMA
P
NU
COEF
DEGREE

类型

枚举 cv::ml::SVM::Types

SVM 类型

枚举值 (Enumerator)
C_SVC	C-支持向量分类。n 类分类 (n \(\geq\) 2)，允许不完全分离类别，对异常值使用惩罚乘数 C。
NU_SVC	\(\nu\)-支持向量分类。n 类分类，可能存在不完全分离。使用参数 \(\nu\)（范围 0..1，值越大，决策边界越平滑）代替 C。
ONE_CLASS	分布估计（单类 SVM）。所有训练数据都来自同一类别，SVM 建立一个边界，将该类别与特征空间的其他部分分开。
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_SVR	\(\nu\)-支持向量回归。使用 \(\nu\) 代替 p。有关详细信息，请参见 [52]。

成员函数说明

创建()

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

static (静态)

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，您可能希望为您的问题找到最佳参数，这可以通过 SVM::trainAuto 完成。

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。

另请参阅

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。因此这些权重影响不同类别的错误分类惩罚。权重越大，对相应类别数据的错误分类惩罚越大。默认值为空 Mat。

另请参阅

setClassWeights

getCoef0()

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

纯虚函数

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

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

另请参阅

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、1 类或 2 类分类，那么只有一个决策函数，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	用于权重的可选输出向量，对应于不同的支持向量。在线性 SVM 中，所有 alpha 都将是 1。
svidx	支持向量矩阵中支持向量索引的可选输出向量（可通过 SVM::getSupportVectors 检索）。在线性 SVM 中，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，这是一个从核函数响应加权和中减去的标量。

getDefaultGrid()

static ParamGrid cv::ml::SVM::getDefaultGrid ( int param_id )

static (静态)

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。

该函数为 SVM 算法的指定参数生成网格。该网格可以传递给函数 SVM::trainAuto。

getDefaultGridPtr()

static Ptr< ParamGrid > cv::ml::SVM::getDefaultGridPtr ( int param_id )

static (静态)

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。

该函数为 SVM 算法的指定参数生成网格指针。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

核函数参数 degree。适用于 SVM::POLY。默认值为 0。

另请参阅

setDegree

getGamma()

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

纯虚函数

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

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

另请参阅

setGamma

getKernelType()

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

纯虚函数

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

SVM 核函数类型。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。

另请参阅

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。

另请参阅

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。

该方法将所有支持向量作为浮点矩阵返回，其中支持向量作为矩阵行存储。

getTermCriteria()

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

纯虚函数

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

解决受限二次优化问题偏例的迭代 SVM 训练过程的终止准则。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 )；

另请参阅

setTermCriteria

getType()

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

纯虚函数

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

SVM 公式类型。参见 SVM::Types。默认值为 SVM::C_SVC。

另请参阅

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。

该方法返回线性 SVM 的所有未压缩支持向量，预测所使用的压缩支持向量就是由此派生而来的。它们以浮点矩阵形式返回，其中支持向量作为矩阵行存储。

load()

static Ptr< SVM > cv::ml::SVM::load ( const String & filepath )

static (静态)

Python
	cv.ml.SVM.load(	filepath	) ->	retval
	cv.ml.SVM_load(	filepath	) ->	retval

从文件加载并创建序列化的 SVM。

使用 SVM::save 将 SVM 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 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	) ->	None

另请参阅

getC

setClassWeights()

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

纯虚函数

Python
	cv.ml.SVM.setClassWeights(	val	) ->	None

另请参阅

getClassWeights

setCoef0()

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

纯虚函数

Python
	cv.ml.SVM.setCoef0(	val	) ->	None

另请参阅

getCoef0

setCustomKernel()

virtual void cv::ml::SVM::setCustomKernel ( const Ptr< Kernel > & _kernel )

纯虚函数

使用自定义核函数初始化。请参见 SVM::Kernel 类以获取实现细节

setDegree()

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

纯虚函数

Python
	cv.ml.SVM.setDegree(	val	) ->	None

另请参阅

getDegree

setGamma()

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

纯虚函数

Python
	cv.ml.SVM.setGamma(	val	) ->	None

另请参阅

getGamma

setKernel()

virtual void cv::ml::SVM::setKernel ( int kernelType )

纯虚函数

Python
	cv.ml.SVM.setKernel(	kernelType	) ->	None

使用预定义核函数之一进行初始化。参见 SVM::KernelTypes。

setNu()

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

纯虚函数

Python
	cv.ml.SVM.setNu(	val	) ->	None

另请参阅

getNu

setP()

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

纯虚函数

Python
	cv.ml.SVM.setP(	val	) ->	None

另请参阅

getP

setTermCriteria()

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

纯虚函数

Python
	cv.ml.SVM.setTermCriteria(	val	) ->	None

另请参阅

getTermCriteria

setType()

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

纯虚函数

Python
	cv.ml.SVM.setType(	val	) ->	None

另请参阅

getType

trainAuto() [1/2]

virtual bool cv::ml::SVM::trainAuto ( const Ptr< TrainData > & data (数据), 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

使用最佳参数训练 SVM。

参数

data (数据)	可以使用 TrainData::create 或 TrainData::loadFromCSV 构造的训练数据。
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 且问题为 2 类分类，则该方法会创建更平衡的交叉验证子集，即子集中类别之间的比例接近于整个训练数据集中的比例。

该方法通过选择最佳参数 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最小化时，参数被认为是最佳的。

如果不需要优化某个参数，则应将其对应的网格步长设置为小于或等于 1 的任何值。例如，为避免优化 gamma，请将 gammaGrid.step = 0、gammaGrid.minVal、gamma_grid.maxVal 设置为任意数字。在这种情况下，将使用值 Gamma 作为 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）和回归（SVM::EPS_SVR 或 SVM::NU_SVR）。如果是 SVM::ONE_CLASS，则不进行优化，并执行使用 params 中指定参数的常规 SVM。

trainAuto() [2/2]

virtual bool cv::ml::SVM::trainAuto ( InputArray samples (样本), 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

使用最佳参数训练 SVM。

参数

samples (样本)	训练样本
layout	参见 ml::SampleTypes。
responses	与训练样本相关联的响应向量。
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 且问题为 2 类分类，则该方法会创建更平衡的交叉验证子集，即子集中类别之间的比例接近于整个训练数据集中的比例。

该方法通过选择最佳参数 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）和回归（SVM::EPS_SVR 或 SVM::NU_SVR）。如果是 SVM::ONE_CLASS，则不进行优化，并执行使用 params 中指定参数的常规 SVM。

---

该类的文档由以下文件生成：

• opencv2/ml.hpp