学习Opencv2.4.9---SVM支持向量机1( 三 ) _svm

在分类题目中，这个函数返回类别编号；在回归题目中，返回函数值。
输入的样本必须与传给的练习样本同样大小。
若是练习中应用了参数，必然记住在函数中应用跟练习特点一致的特点。
（1）获得练习样本及制作其类别标签（，）
（2）设置练习参数（）
（3）对SVM进行训练（CvSVM::train）
（4）对新的输入样本进行猜测（CvSVM::），并输出结果类型（对应标签）
（5）获取支撑向量（CvSVM::ount，CvSVM:: ）
目前，构造SVM多类分类器的方法主要有两类：一类是直接法，直接在目标函数上进行修改，将多个分类面的参数求解合并到一个最优化问题中，通过求解该最优化问题“一次性”实现多类分类。这种方法看似简单，但其计算复杂度比较高，实现起来比较困难，只适合用于小型问题中；另一类是间接法，主要是通过组合多个二分类器来实现多分类器的构造，常见的方法有one--one和one--all两种。
1、一对多法（one--rest,简称）。训练时依次把某个类别的样本归为一类,其他剩余的样本归为另一类，这样k个类别的样本就构造出了k个SVM 。分类时将未知样本分类为具有最大分类函数值的那类。
假如我有四类要划分（也就是4个Label），他们是A、B、C、D 。于是我在抽取训练集的时候，分别抽取A所对应的向量作为正集，B,C,D所对应的向量作为负集；B所对应的向量作为正集，A,C，D所对应的向量作为负集；C所对应的向量作为正集，A,B,D所对应的向量作为负集；D所对应的向量作为正集，A,B,C所对应的向量作为负集，这四个训练集分别进行训练，然后的得到四个训练结果文件，在测试的时候，把对应的测试向量分别利用这四个训练结果文件进行测试，最后每个测试都有一个结果f1(x),f2(x),f3(x),f4(x).于是最终的结果便是这四个值中最大的一个。
PS:这种方法有种缺陷,因为训练集是1:M,这种情况下存在偏差.因而不是很实用.
2、一对一法（one--one,简称或者）。其做法是在任意两类样本之间设计一个SVM，因此k个类别的样本就需要设计k(k-1)/2个SVM 。当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。中的多类分类就是根据这个方法实现的。
还是假设有四类A,B,C,D四类。在训练的时候我选择A,B;A,C; A,D; B,C;B,D;C,D所对应的向量作为训练集，然后得到六个训练结果，在测试的时候，把对应的向量分别对六个结果进行测试，然后采取投票形式，最后得到一组结果。
3、层次支持向量机（H-SVMs）。层次分类法首先将所有类别分成两个子类，再将子类进一步划分成两个次级子类，如此循环，直到得到一个单独的类别为止。
4、DAG-SVMS是由Platt提出的决策导向的循环图DDAG导出的,是针对“一对一”SVMS存在误分、拒分现象提出的。
这里仅仅是对几种多分类方法的简要说明，如果直接调用的方法，并不需要关心多分类算法的具体实现，来看看下面的例子：
【学习Opencv2.4.9---SVM支持向量机1】

#include
#include
#include
#include
#include
using namespace std;
int main()
{
// step 1:
//训练数据的分类标记，即4类
float labels[16] = {1.0, 1.0,1.0,1.0,2.0,2.0,2.0,2.0,3.0,3.0,3.0,3.0,4.0,4.0,4.0,4.0};
CvMat labelsMat = cvMat(16, 1, CV_32FC1, labels);
//训练数据矩阵
float trainingData[16][2] = { {0, 0}, {4, 1}, {4, 5}, {-1, 6},{3,11},{-2,10},{4,30},{0,25},{10,13},{15,12},{25,40},{11,35},{8,1},{9,6},{15,5},{20,-1} };
- 上一页
- 1
- 2
- 3
- 4
- 下一页