OpenCV Linear SVM не тренируется

Question

Я уже давно застрял в этом. Реализация SVM OpenCV, похоже, не работает для линейного ядра. Я уверен, что в коде нет ошибки: когда я изменяю kernel_type на RBF или POLY, сохраняя все остальное как есть, он работает.

Причина, по которой я говорю, что она не работает, я сохраняю сгенерированную модель и проверяю ее. Он показывает количество векторов поддержки как 1. Что не имеет места в RBF или полиномиальных ядрах.

В коде нет ничего особенного, я использовал ранее реализацию SVM OpenCV, но никогда не линейное ядро. Я попытался установить degree на 1 в ядре POLY, и это приводит к той же модели. Это заставляет меня думать, что здесь что-то не так.

Код структуры, если это необходимо:

Mat trainingdata; //acquire from files. done and correct. 
Mat testingdata;  //acquire from files. done and correct again. 
Mat labels;   //corresponding labels. checked and correct. 

SVM my_svm; 
SVMParams my_params; 
my_params.svm_type = SVM::C_SVC; 
my_params.kernel_type = SVM::LINEAR; //or poly, with my_params.degree = 1. 
my_param.C = 0.02; //doesn't matter if I set it to 20000, makes no difference. 

my_svm.train(trainingdata, labels, Mat(), Mat(), my_params); 
//train_auto(..) function with 10-fold cross-validation takes the same time as above (~2sec)! 
Mat responses; 
my_svm.predict(testingdata, responses); 
//responses matrix is all wrong. 

У меня есть 500 образцов из одного класса и 600 из другого класса, чтобы проверить, и правильные классификации я получаю: 1/500 и 597/600.

Самая сухая часть: Я сделал тот же эксперимент с теми же данными об обертке libSVM MATLAB, и он работает. Просто пытался сделать версию OpenCV.

Answer 1

Это не ошибка, когда вы всегда получаете только один вектор поддержки с linear CvSVM.

OpenCV оптимизирует линейный SVM к одному вектору поддержки.
Идея состоит в том, что опорные векторы определяют классификационный запас, и для выполнения фактической классификации требуется только разделительная гиперплоскость, и ее можно определить только одним вектором.

Параметр C Не имеет значения, являются ли ваши данные для обучения линейно разделяемыми. Возможно, это ваше дело.