OpenCV - zufälliges Waldbeispiel

Hat jemand ein paar Beispiel mit Random Forests mit der 2.3.1 API-Matte und nicht die cvMat?

Grundsätzlich habe ich eine Matrix Mat Daten, die aus 1000 Zeilen mit 16x16x3-Elementen und einer Matrix Mat Antworten für ein 1000x1-matrix, enthält die Klasse, die jede Zeile gehört. Ich würde gerne den random forest Algorithmus.

InformationsquelleAutor der Frage Poul K. Sørensen | 2011-09-30

  1. 1

    Hast du ja schon die Daten im richtigen format; was bleibt, ist die Instanzierung eines CvRTrees Objekt und führen Sie Ihre Vorhersage.

    In der Dokumentation für Zufällige Bäume v2.3 gefunden werden kann hier. Sie werden auch wollen betrachten die CvStatModel::Zug() Dokumentation, die tatsächlich die Beschreibung der meisten Parameter für CvRTree::train. Tom verwiesen auf eine gute vollständiges Beispiel in Kommentaren, die Sie nutzen sollten.

    Zusammen mit Ihren Daten, müssen Sie eine Matte zu geben Sie den Typ der einzelnen Attribute. Diese Matte hat eine Zeile für jede input-Attribut, und eine zusätzliche Zeile für die Art der Ausgabe (also 16x16x3 + 1 Zeilen, in deinem Fall).

    Optional können Sie eine CvRTParams Objekt zum angeben von Parametern wie Anzahl der Bäume, max-Tiefe, etc. Ich nutze die Standardeinstellungen im Beispiel unten.

    Wenn Sie möchten, können Sie pass in valIdx und sampleIdx Matten, die angeben, welche Attribute und welche Datenzeilen, die jeweils für die Ausbildung. Dies könnte nützlich sein für die Auswahl der Qualifizierung/Validierung von Daten, ohne dabei eine Reihe von gymnastik, um Sie in separaten Matten.

    Hier ein kurzes Beispiel:

    #define ATTRIBUTES_PER_SAMPLE (16*16*3)
//Assumes training data (1000, 16x16x3) are in training_data
//Assumes training classifications (1000, 1) are in training_classifications

//All inputs are numerical. You can change this to reflect your data
Mat var_type = Mat(ATTRIBUTES_PER_SAMPLE + 1, 1, CV_8U );
var_type.setTo(Scalar(CV_VAR_NUMERICAL) ); //all inputs are numerical

//Output is a category; this is classification, not regression
var_type.at<uchar>(ATTRIBUTES_PER_SAMPLE, 0) = CV_VAR_CATEGORICAL;

//Train the classifier
CvRTrees* rtree = new CvRTrees;
rtree->train(training_data, CV_ROW_SAMPLE, training_classifications,
             Mat(), Mat(), var_type);

    InformationsquelleAutor der Antwort Connor Lawson

Schreibe einen Kommentar