Цель: добавить смещение-примесь к раздельному решению растущих деревьев в openCV.Gini Примесь, растущие случайные деревья в opencv
В настоящее время в OpenCV случайных деревьев, раскол производится следующим образом:
if(!priors)
{
int L = 0, R = n1;
for(i = 0; i < m; i++)
rsum2 += (double)rc[i]*rc[i];
for(i = 0; i < n1 - 1; i++)
{
int idx = responses[sorted_indices[i]];
int lv, rv;
L++; R--;
lv = lc[idx]; rv = rc[idx];
lsum2 += lv*2 + 1;
rsum2 -= rv*2 - 1;
lc[idx] = lv + 1; rc[idx] = rv - 1;
if(values[i] + epsilon < values[i+1])
{
double val = (lsum2*R + rsum2*L)/((double)L*R);
if(best_val < val)
{
best_val = val;
best_i = i;
}
}
}
}
Его использованием Джини примесей.
Любой, кто может объяснить, как код сделать это, от того, что я понимаю: сначала он помещает все счетчики класса в нужном узле, и при перемещении одного экземпляра справа налево и обновление lsum2 и rsum2 он находит лучшее решение. Я не понимаю, как p_j^2 связано с lv * 2 +1 или rv * 2-1.
Настоящий вопрос, если имеются смещения, и хотел бы добавить раскол, основанный на нечистоте симуляций смещений. (смещения - это направление и расстояние от центра к текущему узлу.
То, что я придумал, это что-то вроде этого, и если кто-нибудь может указать на какие-либо недостатки, это было бы хорошо, потому что atm не давал хороших результатов и им не знаю, где начать отладку.
//Compute mean
for(i = 0; i<n1;++i)
{
float* point = (float*)(points.data + rstep*sample_idx_src[sorted_indices[i]]);
meanx[responses[sorted_indices[i]]] += point[0];
meany[responses[sorted_indices[i]]] += point[1];
}
for(i = 0;i<m;++i)
{
meanx[i] /= rc0[i];
meany[i] /= rc0[i];
}
if(!priors)
{
int L = 0, R = n1;
for(i=0;i<n1;i++)
{
float* point = (float*)(points.data + rstep*sample_idx_src[sorted_indices[i]]);
double tmp = point[0] - meanx[responses[sorted_indices[i]]];
rsum2 += tmp*tmp;
tmp = point[1] -meany[responses[sorted_indices[i]]];
rsum2 += tmp*tmp;
}
double minDist = DBL_MAX;
for(i=0;i<n1;++i)
{
float* point = (float*)(points.data + rstep*sample_idx_src[sorted_indices[i]]);
++L; --R;
double tmp = point[0] - meanx[responses[sorted_indices[i]]];
lsum2 += tmp*tmp;
tmp = point[1] -meany[responses[sorted_indices[i]]];
lsum2 += tmp*tmp;
tmp = point[0] - meanx[responses[sorted_indices[i]]];
rsum2 -= tmp*tmp;
tmp = point[1] -meany[responses[sorted_indices[i]]];
rsum2 -= tmp*tmp;
if(values[i] + epsilon < values[i+1])
{
double val = (lsum2 + rsum2)/((double)L*R);
if(val < minDist)
{
minDist = val;
best_val = -val;
best_i = i;
}
}
}