НОУ ИНТУИТ | Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP. Лекция 3: Машинное обучение

Учитесь и получайте официальные документы БЕСПЛАТНО. Вы можете поддержать наш проект.

Регистрация Вход

Твой путь к знаниям!

Опубликован: 02.09.2013 | Доступ: свободный | Студентов: 430 / 54 | Длительность: 19:27:00

Тема: Программирование

Специальности: Программист, Системный архитектор

Теги: IPP, Visual Studio, c++, intel, OpenCV

|

Вам нравится? Нравится 15 студентам

| Поделиться |

Поддержать курс

| Скачать электронную книгу

Последним нерассмотренным полем структуры CvSVMParams является term_crit. Данная переменная содержит параметры итерационного метода, используемого для решения оптимизационной задачи на этапе обучения. Данные параметры указываются с помощью следующей структуры:

struct CvTermCriteria 
{ 
    int    type; 
    int    max_iter; 
    double epsilon; 
};

Рассмотрим поля данной структуры:

type – вид критерия останова: по точности (CV_TERMCRIT_EPS) или по количеству итераций (CV_TERMCRIT_ITER). Значение type, равное CV_TERMCRIT_EPS + CV_TERMCRIT_ITER, применяется в случае, когда используются оба критерия.
max_iter – максимальное количество итераций.
epsilon – пороговое значение точности.

Для использования обученной ранее модели в классе CvSVM используются методы

float predict( const Mat< sample, 
               bool returnDFVal=false ) const; 
void predict( InputArray samples, 
              OutputArray results ) const;

Рассмотрим их параметры.

sample – матрица-вектор типа CV_32F и размера $1 \times d$ , содержащая координаты одной точки в пространстве признаков.
returnDFVal – флаг, позволяющий получать расстояние со знаком от разделяющей поверхности до указанной точки. Если returnDFVal=true и решается задача бинарной классификации, то возвращаемым значением будет величина $h(x)\beta+\beta_0$ , иначе будет возвращено предсказанное значение целевого признака.
samples – матрица типа CV_32F и размера $n_1 \times d$ , построчно содержащая координаты точек в пространстве признаков, для которых необходимо сделать предсказания.
results – матрица-вектор, в которую будут сохранены предсказанные значения.

Для сохранения обученной модели используется метод

void save( const char* filename, 
           const char* name=0 ) const;

Параметры данного метода:

filename – путь и имя файла, в который будет сохранена модель. В OpenCV поддерживается запись в XML- и YAML-файлы.
name – имя, под которым будет сохранена модель. Имя модели может состоять из строчных и заглавных букв латинского алфавита, цифр, символов ‘-’ и ‘_’. В случае сохранения в YAML-формате также допустимо использование пробелов.

Загрузка модели из файла осуществляется методом

void load( const char* filename, const char* name=0 );

Рассмотрим его параметры:

filename – XML- или YAML-файл, из которого будет выполнена загрузка.
name – имя модели, которую требуется загрузить.

Также в классе CvSVM реализован метод, позволяющий получить количество опорных векторов:

int get_support_vector_count() const;

и метод для получения опорного вектора с номером :

const float* get_support_vector(int i) const;

Рассмотрим пример использования класса CvSVM для решения задачи классификации.

#include <stdlib.h> 
#include <stdio.h> 
#include <opencv2/core/core.hpp> 
#include <opencv2/ml/ml.hpp> 
 
using namespace cv; 
 
// размерность пространства признаков 
const int d = 2; 
 
// функция истинной зависимости целевого признака 
// от остальных 
int f(Mat sample) 
{ 
    return (int)((sample.at<float>(0) < 0.5f && 
                  sample.at<float>(1) < 0.5f) || 
                 (sample.at<float>(0) > 0.5f && 
                  sample.at<float>(1) > 0.5f)); 
} 
 
int main(int argc, char* argv[]) { 
    // объем генерируемой выборки 
    int n = 2000; 
    // объем обучающей части выборки 
    int n1 = 1000; 
     
    // матрица признаковых описаний объектов 
    Mat samples(n, d, CV_32F); 
    // номера классов (матрица значений целевой переменной) 
    Mat labels(n, 1, CV_32S); 
    // генерируем случайным образом точки 
    // в пространстве признаков 
    randu(samples, 0.0f, 1.0f); 
 
    // вычисляем истинные значения целевой переменной 
    for (int i = 0; i < n; ++i) 
    { 
        labels.at<int>(i) = f(samples.row(i)); 
    } 
 
    // создаем маску прецедентов, которые будут 
    // использоваться для обучения: используем n1 
    // первых прецедентов 
    Mat trainSampleMask(1, n1, CV_32S); 
    for (int i = 0; i < n1; ++i) 
    { 
        trainSampleMask.at<int>(i) = i; 
    } 
 
    // используем SVM типа C_SVC и радиальным ядром 
    CvSVMParams params; 
    params.svm_type = CvSVM::C_SVC; 
    params.kernel_type = CvSVM::RBF; 
    params.gamma = 1.0; 
    params.C = 1.0; 
 
    CvSVM svm; 
    svm.train(samples, labels, 
              Mat(), trainSampleMask, params); 
    svm.save("model.yml", "simpleSVMModel"); 
     
    // вычисляем ошибку на обучающей выборке 
    Mat predictions; 
    svm.predict(samples.rowRange(0, n1), predictions); 
    float trainError = 0.0f; 
    for (int i = 0; i < n1; ++i) 
    { 
        trainError += (labels.at<int>(i) !=  
                       (int)(predictions.at<float>(i))); 
    }     trainError /= float(n1); 
 
    // вычисляем ошибку на тестовой выборке 
    predictions = Mat(); 
    svm.predict(samples.rowRange(n1, n), predictions); 
    float testError = 0.0f; 
    for (int i = 0; i < n - n1; ++i) 
    { 
        testError += (labels.at<int>(n1 + i) !=  
                      (int)(predictions.at<float>(i))); 
    } 
    testError /= float(n - n1); 
 
    printf("train error = %.4f\ntest error = %.4f\n", 
           trainError, testError); 
     
    return 0; 
}

Визуальное представление данных и построенной границы между точками разных классов приведено на рис. 10.1.

Рис. 10.1. Точки обучающей выборки и граница, построенная с помощью машины опорных векторов с радиальным ядром

Дальше >>

Авторизоваться

Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP

Машинное обучение

Вопросы и ответы