每次从 svm 预测时都得到肯定的结果答案

【问题标题】：Every time getting positive result while predicting from svm每次从 svm 预测时都得到肯定的结果
【发布时间】：2013-09-02 08:29:13
【问题描述】：

我使用 surf 和 bow 训练 svm，现在我预测图像时它总是返回 1，即使我选择负图像时它也会返回 1 作为输出

这里是 svm 的参数：

CvSVMParams Params;
Params.svm_type=CvSVM::C_SVC;
Params.kernel_type=CvSVM::LINEAR;
Params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);
Params.gamma=3;
CvSVM svm;
svm.train(training_mat,labels,cv::Mat(),cv::Mat(),Params);

这是我的预测代码：

predict_img = cvLoadImage("ss.jpg",0);
detector.detect(predict_img, keypoint2);
RetainBestKeypoints(keypoint2, 20);
dextract.compute( predict_img, keypoint2, descriptors_2);
Mat my_img_3 = descriptors_2.reshape(1,1);
float response = svm.predict(my_img_3);
cout<<response;

这里是初始化：

BOWImgDescriptorExtractor dextract(extractor,matcher);
SurfFeatureDetector detector(500);

【问题讨论】：

标签： opencv image-processing machine-learning computer-vision svm

【解决方案1】：

你应该检查你是否设置了足够大的C（我在你的代码中没有看到它所以应该根据opencv documentation设置为1000）值来强制一个合理的模型，你应该尝试很多值，对于许多实际问题，甚至必须使用 C 数量级为 10^10。如果C 太小，SVM 将简单地寻找具有小范数的超平面，而不真正关注正确的分类。可以通过opencv实现中的Cvalue参数访问。

Params.gamma=3;

即使它不会导致错误 - 您也不需要设置 gamma 值，因为它不用于线性内核，仅用于 RBF 内核。

您还应该确保，您正在训练相似数量的正样本和负样本（或使用一些类加权技术），因为它也可能导致“微不足道”的模型。

【讨论】：

是的，我使用相同数量的正面和负面图像，但我通过不同的目录训练它们，正面图像的不同目录和负面图像的不同目录，我不明白你关于C的概念
SVM 模型最重要的参数之一是C，即错误分类的“惩罚”量。它应该在模型参数中设置：Cvalue – Parameter C of a SVM optimization problem (C_SVC / EPS_SVR / NU_SVR).docs.opencv.org/modules/ml/doc/support_vector_machines.html，默认设置为C=1000，可能是行数到小
@lijlot 你问这个问题：CvParamGrid CvSVM = get_default_grid(CvSVM::C); 但它给了我get_default_grid(CvSVM::C) 的错误未定义
我说的是Params对象的Cvalue

【解决方案2】：

除了已经提供的答案之外，您将来总会问另一个问题，即如何提高您的 SVM 分类性能，即正确设置模型参数。

为了实现这个目标，您还应该研究 CvParamGrid 提供的网格搜索。

最好的

【讨论】：

在预测数据时是否需要训练数据？或者有没有这样的功能
参数的搜索需要在学习阶段，在预测之前完成。
你能解释一下“获得向量支持”是什么意思吗？你指的是具体的东西吗？
是的，我是从 svm 的 opencv 文档中读到的，int c = SVM.get_support_vector_count(); 这样的
哦，我现在明白了。这用于获取 SVM 的支持向量的数量。您需要它来执行 SVM 计算。希望对您有所帮助。