Qual é o parâmetro do tipo OpenCV SVM

Question

A implementação do OpenCV SVM exige um parâmetro rotulado como "Tipo SVM", que deve ser usado na estrutura CVSVMParams usada no treinamento do SVM. Toda a explicação que posso encontrar é:

// SVM type
enum { C_SVC=100, NU_SVC=101, ONE_CLASS=102, EPS_SVR=103, NU_SVR=104 };

Alguém sabe o que esses valores diferentes representam?

Answer 1

No geral:

• Classificação SVM Tipo 1 (também conhecida como classificação C-SVM)
• CLASSIFICAÇÃO SVM TIPO 2 (também conhecida como classificação NU-SVM)
• Regressão SVM tipo 1 (também conhecida como regressão Epsilon-SVM)
• Regressão SVM tipo 2 (também conhecida como regressão NU-SVM)

Detalhes podem ser encontrados na página Svm

Answer 2

São formulações diferentes de SVM. No coração do SVM está um problema de otimização matemática. Esse problema pode ser declarado de maneiras diferentes.

O C-SVM usa C como o parâmetro de troca entre o tamanho da margem e o número de pontos de treinamento que são classificados incorretamente. C é apenas um número, o intervalo útil depende do conjunto de dados e pode variar de muito pequeno (como 10-5) a muito grande (como 10^5), dependendo dos seus dados.

O NU-SVM usa Nu em vez de C. nu é aproximadamente uma porcentagem de pontos de treinamento que acabarão como vetores de suporte. Quanto mais vetores de suporte, mais ampla sua margem, mais pontos de treinamento serão classificados incorretamente. A NU varia de 0,1 a 0,8 - a 0,1 aproximadamente 10% dos pontos de treinamento serão vetores de suporte, em 0,8, mais como 80%. Eu digo aproximadamente porque está apenas correlacionado dessa maneira - não é exato.

Epsilon-SVR e NU-SVR usam SVM para regressão. Em vez de fazer a classificação binária, encontrando um hiperplano de margem máxima, o conceito é usado para encontrar um hipertube que melhor se ajuste aos dados para usá -los para prever modelos futuros. Eles diferem na maneira como são parametrizados (como Nu-SVM e C-SVM diferem).

O SVM de uma classe é detecção de novidade. Em vez de classificação binária, ou prever um valor, você dá ao SVM um conjunto de treinamento e tenta treinar um modelo para envolver esse conjunto para que uma instância futura possa ser classificada como parte da classe ou fora da classe (romance ou ponto fora da curva).