機器學習中，需要總樣本集，拆分成訓練集、測試集，計算訓練、測試、整體的准確率。
OpenCV在ml.hpp中為我們准備了特有格式TrainData，它會把標簽、特征集融合到其中，方便操作。
針對TrainData類型，提供了非常完美的函數，具體介紹如下：
1、拆分TrainData類型總樣本集，注意默認是會打亂行順序的。
setTrainTestSplitRatio(double ratio, bool shuffle=true); //比例方式，前ratio（0~1）行是訓練集，推薦使用此函數
或
setTrainTestSplit(int count, bool shuffle=true); //具體指定方式，前count行是訓練集
第二個參數默認為true，即打亂行后再拆分。
2、計算准確率，此函數計算的是錯誤率，准確率用100減下即可
float calcError( const Ptr<TrainData>& data, bool test, OutputArray resp )
data——融合了標簽、特征的總樣本集，TrainData類型
test——計算訓練集准確率設為false，測試集准確率設為true，總的准確率設為false同時data不可以使用拆分函數setTrainTestSplitRatio或setTrainTestSplit。
resp——預測的標簽結果，內部調用了predict函數
3、獲取訓練集、測試集
Mat getTrainSamples()
Mat getTestSamples()
【TrainData類型的解釋】
下圖是letter-recognition.data文件的內容，第1列是標簽，后16列是特征，需要分別讀入到Mat格式的responses和samples中。之后用create函數創建TrainData類型對象（融合了標簽、特征）。
此解釋針對的是分類問題，而不是回歸擬合。samples特征集中每1行為1個樣本，每1列為1個特征。
Ptr<TrainData> create(InputArray samples, int layout, InputArray responses, InputArray varIdx=noArray(), InputArray sampleIdx=noArray(),InputArray sampleWeights=noArray(), InputArray varType=noArray());
samples——特征集（特征變量組成的集合），必須是32FC1(32位浮點單通道)類型
layout——樣本布局，ROW_SAMPLE = 0，COL_SAMPLE = 1，此處只用前者
responses——標簽集，必須是CV_32S類型（即int型）。一維向量，與每一行樣本對應。
varIdx——參與訓練的特征（默認都參與），元素為0、非0的一維向量（行列都可），大小為特征數（列數）。1對應的樣本參與訓練（非0有效），格式用CV_8U即可
sampleIdx——參與訓練的樣本（默認都參與），同上，大小為總樣本數（行數）
sampleWeights——樣本權重，忽略不用
varType——特征變量的類型，忽略不用
總樣本集（上圖）中responses在哪一列都可以，只要保證samples（行為樣本，列為特征）、responses（行、列都可以）即可。
將總樣本集拆分為訓練集和測試集的方法有兩種：用自帶函數（推薦），用參數sampleWeights（元素為0、非0的一維向量（行列都可））。
方法一：使用加粗部分代碼即可，setTrainTestSplit或setTrainTestSplitRatio、getTrainSamples、getTestSamples
Ptr<TrainData> tdata=TrainData::create(samples, ROW_SAMPLE, responses);//其他參數默認，即所有樣本包含在TrainData類對象tdata中 //tdata->setTrainTestSplit(16000);//前16000行為訓練集 tdata->setTrainTestSplitRatio(0.8);//比例方式，前80%行作為訓練集，推薦 Mat trainSet = tdata->getTrainSamples();//獲取訓練集 Mat testSet = tdata->getTestSamples();//獲取測試集 //Mat res = tdata->getResponses();//所有標簽 //Mat classNum = tdata->getClassLabels();//26類（分26類問題），65~90
tdata是TrainData類型(包含了標簽、特征)，trainSet 、testSet 是Mat類型，只有特征。
方法二：
Mat sample_idx = Mat::zeros(1, samples.rows, CV_8U); Mat train_samples = sample_idx.colRange(0, (int)(data.rows*0.8)); //操作train_samples就是操作sample_idx，淺拷貝。sample_idx中前80%變為1
train_samples.setTo(Scalar::all(1)); Ptr<TrainData> tdata=TrainData::create(samples, ROW_SAMPLE, responses, noArray(), sample_idx);//sample_idx中1對應的樣本參與訓練（非0有效）
此時tdata中共有前80%的樣本（既有特征又有標簽）。
【樣本集注意點】
如果樣本集不同類別間是雜亂的，那么上述函數可以隨意用。不過，一般我們會自己歸類，如2分類問題。正樣本、負樣本各自獨立有序。為了保證正負樣本都會參與訓練，所以最好不要拆分TrainData類型總樣本集。否則可能會出現前80%行一種類別過多的情況。
如果可以保證拆分后，訓練集不同類別樣本均衡，那可以使用訓練集、測試集這種我們習慣的方式。否則，不推薦拆分。