Question

我对svm分类很新。我正在尝试使用opencv svm分类器来做一些人脸识别。输入要素参数是规范化的局部二进制模式。所以所有值都是0-1。我首先尝试使用线性内核来训练分类器，然后使用训练数据集来测试集合。我得到了100％的准确度（我知道这意味着什么）。但是，当我将内核更改为RBF（所有其他参数都是默认值）并重新测试训练集时，所有情况都归类为一个类，这意味着它们不可分离。我尝试了从0.000001到10的不同伽马值。有没有人知道这个问题？感谢。

顺便说一下，我在训练后检查了支持的矢量，所有值都是相同的。

这是代码

CvSVMParams param;
param.svm_type = CvSVM::C_SVC;
param.kernel_type = CvSVM::RBF; //CvSVM::RBF, CvSVM::LINEAR ...
param.degree = 2; // for poly
param.gamma = 0.000000001; // for poly/rbf/sigmoid
param.coef0 = 1; // for poly/sigmoid

param.C = 0.5; // for CV_SVM_C_SVC, CV_SVM_EPS_SVR and CV_SVM_NU_SVR
param.term_crit.type = CV_TERMCRIT_EPS;//CV_TERMCRIT_ITER +CV_TERMCRIT_EPS;
param.term_crit.max_iter = 1000000;
param.term_crit.epsilon = 1e-9;
SVM.train(trainingDataMat, labelMat, Mat(), Mat(), param);

for(int i=0; i<trainingDataMat.rows; i++){
    Mat sampleMat = trainingDataMat(Range(i,i+1), Range::all());
    double response = SVM.predict(sampleMat);
    cout<<"test"<<i<<"=  "<<response<<endl;
}

Answer 1

当使用train_auto使用RBF内核时，您可以做的是让OpenCV优化SVM参数。通过这种方式，您不必担心这些参数，它们会自动设置。

这个OpenCV docmentation为您如何使用它提供了很好的解释。或者，您可以参考此great example on how to optimize SVM parameters

使用train_auto的缺点是训练可能需要很长时间。它甚至可能需要几天时间，具体取决于你的训练集。所以要做好准备。

我实际上并不知道你期待什么，但我会给你一个提示：RBF可能是OpenCV中最复杂的内核，但它可能不会给你最好的结果。尝试其他内核！

使用带有RBF内核的SVM的意外性能

1 个答案: