svm 中采用自動搜索參數的方式獲得參數值

載時自http://blog.csdn.net/u011177305/article/details/46458801?locationNum=1

OpenCV中SVM類是提供了優化參數值功能的，下面講講具體的做法。

要讓svm自動優化參數，那么訓練時就不能再用train函數了，而應該用train_auto函數。下面是train_auto的函數原型

C++: bool CvSVM:: train_auto (const Mat & trainData ,

const Mat & responses , 

const Mat & varIdx , 

const Mat & sampleIdx , 

CvSVMParams params ,

int k_fold=10 , 

CvParamGrid Cgrid=CvSVM::get_default_grid(CvSVM::C) , 

CvParamGrid gammaGrid=CvSVM::get_default_grid(CvSVM::GAMMA) , 

CvParamGrid pGrid=CvSVM::get_default_grid(CvSVM::P) , 

CvParamGrid nuGrid=CvSVM::get_default_grid(CvSVM::NU) , 

CvParamGrid coeffGrid=CvSVM::get_default_grid(CvSVM::COEF) , 

CvParamGrid degreeGrid=CvSVM::get_default_grid(CvSVM::DEGREE) , 

bool balanced=false

)

 

自動訓練函數的使用說明：
這個方法根據CvSVMParams中的最佳參數C, gamma, p, nu, coef0, degree自動訓練SVM模型。參數被認為是最佳的交叉驗證，其測試集預估錯誤最小。如果沒有需要優化的參數，相應的網格步驟應該被設置為小於或等於1的值。

例如，為了避免gamma的優化，設置gamma_grid.step = 0，gamma_grid.min_val， gamma_grid.max_val 為任意數值。所以params.gamma 由gamma得出。
最后，如果參數優化是必需的，但是相應的網格卻不確定，你可能需要調用函數CvSVM::get_default_grid()，創建一個網格。例如，對於gamma，調用CvSVM::get_default_grid(CvSVM::GAMMA)。該函數為分類運行 (params.svm_type=CvSVM::C_SVC 或者 params.svm_type=CvSVM::NU_SVC) 和為回歸運行 (params.svm_type=CvSVM::EPS_SVR 或者 params.svm_type=CvSVM::NU_SVR)效果一樣好。如果params.svm_type=CvSVM::ONE_CLASS，沒有優化，並指定執行一般的SVM。

參考IT修道者博文的文章，使用其如下代碼

 

CvSVMParams param;
  param.svm_type = CvSVM::EPS_SVR;
  param.kernel_type = CvSVM::RBF;
  param.C = 1;  //給參數賦初始值
  param.p = 5e-3;  //給參數賦初始值
  param.gamma = 0.01;  //給參數賦初始值
  param.term_crit = cvTermCriteria(CV_TERMCRIT_EPS, 100, 5e-3);
  //對不用的參數step設為0
  CvParamGrid nuGrid = CvParamGrid(1,1,0.0);
  CvParamGrid coeffGrid = CvParamGrid(1,1,0.0);
  CvParamGrid degreeGrid = CvParamGrid(1,1,0.0);

  CvSVM regressor;
  regressor.train_auto(PCA_training,tr_label,NULL,NULL,param,
    10,
    regressor.get_default_grid(CvSVM::C),
    regressor.get_default_grid(CvSVM::GAMMA),
    regressor.get_default_grid(CvSVM::P),
    nuGrid,
    coeffGrid,
    degreeGrid);

用上面的代碼的就可以自動訓練優化出參數了，最后想查看優化后的參數值可以使用CvSVMParams params_re = regressor.get_params()函數來獲得各優化后的參數值。

 

 

CvSVMParams params_re = regressor.get_params();
  regressor.save("training_srv.xml");
  float C = params_re.C;
  float P = params_re.p;
  float gamma = params_re.gamma;
  printf("\nParms: C = %f, P = %f,gamma = %f \n",C,P,gamma);

不過根據我的測試發現如下錯誤：
OpenCV Error: Assertion failed (sv_count != 0) in do_train, file /home/.../opencv-2.4.9/modules/ml/src/svm.cpp, line 1346

 

該問題在stack overflow中有人提出，不過沒有解決方案。

我修改了一下

 

CvParamGrid CvParamGrid_C(pow(2.0,-5), pow(2.0,15), pow(2.0,2)); CvParamGrid CvParamGrid_gamma(pow(2.0,-15), pow(2.0,3), pow(2.0,2)); if (!CvParamGrid_C.check() || !CvParamGrid_gamma.check()) cout<<"The grid is NOT VALID."<<endl; CvSVMParams paramz; paramz.kernel_type = CvSVM::RBF; paramz.svm_type = CvSVM::C_SVC; paramz.term_crit = cvTermCriteria(CV_TERMCRIT_ITER,100,0.000001); svm.train_auto(trainingData, labels, Mat(), Mat(), paramz,10, CvParamGrid_C, CvParamGrid_gamma, CvSVM::get_default_grid(CvSVM::P), CvSVM::get_default_grid(CvSVM::NU), CvSVM::get_default_grid(CvSVM::COEF), CvSVM::get_default_grid(CvSVM::DEGREE), true); paramz = svm.get_params(); cout<<"gamma:"<<paramz.gamma<<endl; cout<<"C:"<<paramz.C<<endl;

大家不妨嘗試一下。