Python OpenCV Implémentation SVM

J'ai donc une matrice avec mes échantillons d'images (tous transformés en vecteurs) qui était courir à travers PCA/LDA, et un vecteur qui indique la classe de chaque image appartient. Maintenant, je veux utiliser le OpenCV SVM classe pour former mon SVM (je suis à l'aide de Python, OpenCV 2.3.1). Mais j'ai un problème avec la définition des paramètres:

test = cv2.SVM()
test.train(trainData, responses, ????)

Je suis coincé sur la façon de définir le type de SVM (linéaire, etc.) et d'autres choses. En C++, vous le définir en disant par exemple: svm_type=CvSVM::C_SVC...Python ne l'a pas. C++ a aussi une classe spéciale pour stocker ces paramètres -> CvSVMParams. Quelqu'un peut-il me donner un exemple en Python? Comme la définition de la SVM type, gamma, etc.

L'2.3.1 docs dit:

Python: cv2.SVM.train(trainData, responses[, varIdx[, sampleIdx[, params]]]) → retval

Quels sont varIdx et sampleIdx, et comment définir les paramètres?

source d'informationauteur Veles

  1. 18

    À utiliser OpenCV des algorithmes d'apprentissage automatique, vous devez écrire des classes wrapper:

    1. Première classe parent

    class StatModel(object):
    '''parent class - starting point to add abstraction'''    
    def load(self, fn):
        self.model.load(fn)
    def save(self, fn):
        self.model.save(fn)

    2. Enfin SvM wrapper:

    class SVM(StatModel):
    '''wrapper for OpenCV SimpleVectorMachine algorithm'''
    def __init__(self):
        self.model = cv2.SVM()

    def train(self, samples, responses):
        #setting algorithm parameters
        params = dict( kernel_type = cv2.SVM_LINEAR, 
                       svm_type = cv2.SVM_C_SVC,
                       C = 1 )
        self.model.train(samples, responses, params = params)

    def predict(self, samples):
        return np.float32( [self.model.predict(s) for s in samples])

    3.Exemple d'utilisation:

    import numpy as np
import cv2

samples = np.array(np.random.random((4,2)), dtype = np.float32)
y_train = np.array([1.,0.,0.,1.], dtype = np.float32)

clf = SVM()
clf.train(samples, y_train)
y_val = clf.predict(samples)

    Paramètres de réglage

    Paramètres de réglage est simple - il suffit d'écrire un dictionnaire qui contient les paramètres clés. Vous devriez regarder la documentation originale pour voir tous les paramètres possibles et les valeurs autorisées: http://opencv.itseez.com/modules/ml/doc/support_vector_machines.html#cvsvmparams

    Oui, les valeurs possibles pour svm_type et kernel_type sont en C++, mais il y a moyen facile de convertir ces constantes en Python représentation, par exemple CvSVM::C_SVC est écrit comme cv2.SVM_C_SVC en Python.

    Prélude
    Pour obtenir plus de wrappers pour des algorithmes d'apprentissage automatique, regarder dans letter-recog.py exemple dans votre opencv exemples sur le disque ou d'ouvrir l'url de OpenCV référentiel: https://github.com/Itseez/opencv/tree/master/samples/python2

  2. 1

    Adapté de timgluz version, mais utilise des "train_auto" au lieu de "train".
    cv2 trouverez les paramètres de "C", "gamma", ... pour nous.

    import cv2
import numpy as np

class Learn:
    def __init__(self, X, y):
        self.est = cv2.SVM()
        params = dict(kernel_type=cv2.SVM_LINEAR, svm_type=cv2.SVM_C_SVC)
        self.est.train_auto(X, y, None, None, params, 3) #kfold=3 (default: 10)

    def guess(self, X):
        return np.float32( [self.est.predict(s) for s in X])

X = np.array(np.random.random((6,2)), dtype = np.float32)
y = np.array([1.,0.,0.,1.,0.,1.], dtype = np.float32)
g = Learn(X,y).guess(X)