Как использовать AdaBoost для выбора функции?

Question

Я хочу использовать AdaBoost, чтобы выбрать хорошие функции набора из большого количества (~ 100k). AdaBoost работает путем итерации, хотя набор функций и добавление функций зависит от того, насколько хорошо они заготовки. Он выбирает функции, которые хорошо формируют образцы, которые были неправильно классифицированы по существующему набору функций.

Использование В настоящее время используется при открытии CV CvBoost. Я получил example working, но из documentation неясно, как вытащить индексы функций, которые он использовал.

Используя либо CvBoost, либо стороннюю библиотеку, либо реализуя ее самостоятельно, как можно вытащить набор функций из большого набора функций с помощью AdaBoot?

Answer 1

Претензия: Я не являюсь пользователем opencv. Из документации adaboost opencv использует decision tree (дерево классификации или дерево регрессии) как основной слабый ученик.

Мне кажется, что это путь к get the underline weak learners:

CvBoost::get_weak_predictors 
Returns the sequence of weak tree classifiers. 

C++: CvSeq* CvBoost::get_weak_predictors() 
The method returns the sequence of weak classifiers. 
Each element of the sequence is a pointer to the CvBoostTree class or 
to some of its derivatives. 

После того, как у вас есть доступ к последовательности CvBoostTree*, вы должны иметь возможность проверить, какие функции содержатся в дереве и какой раскол значение и т. д.

Если каждое дерево является только решающим культи, в каждом слабого учащегося содержится только одна особенность. Но если мы допускаем более глубокую глубину дерева, в каждом отдельном слабом ученике может существовать комбинация признаков.

Я также рассмотрел CvBoostTreeclass; К сожалению, сам класс не предоставляет публичный метод проверки используемых внутренних функций. Но вы можете создать свой собственный подкласс, наследующий от CvBoostTree и раскрывать любую функциональность.

Answer 2

С помощью @greeness ответа я сделал подкласс CvBoost

std::vector<int> RSCvBoost::getFeatureIndexes() { 

    CvSeqReader reader; 
    cvStartReadSeq(weak, &reader); 
    cvSetSeqReaderPos(&reader, 0); 

    std::vector<int> featureIndexes; 

    int weak_count = weak->total; 
    for(int i = 0; i < weak_count; i++) { 
     CvBoostTree* wtree; 
     CV_READ_SEQ_ELEM(wtree, reader); 

     const CvDTreeNode* node = wtree->get_root(); 
     CvDTreeSplit* split = node->split; 
     const int index = split->condensed_idx; 

     // Only add features that are not already added 
     if (std::find(featureIndexes.begin(), 
         featureIndexes.end(), 
         index) == featureIndexes.end()) { 

      featureIndexes.push_back(index); 
     } 

    } 

    return featureIndexes; 
}