- 操作系统：ubuntu22.04
- OpenCV版本：OpenCV4.9
- IDE:Visual Studio Code
- 编程语言：C++11
算法描述
cv::ml::NormalBayesClassifier 是 OpenCV 机器学习模块中的一部分，用于实现朴素贝叶斯分类器（Naive Bayes Classifier）。这种分类器基于贝叶斯定理，并假设特征之间相互独立（即“朴素”的假设），尽管这个假设在实际应用中往往不成立，但朴素贝叶斯分类器在很多情况下仍然表现良好，特别是在文本分类、垃圾邮件过滤等领域。
主要特点
- 简单且快速：训练和预测过程都非常高效。
- 适用于多分类问题：可以处理两个或更多类别的分类任务。
- 基于概率的决策：为每个类别计算后验概率，并选择具有最高概率的类别作为预测结果。
常用成员函数
以下是一些常用的 cv::ml::NormalBayesClassifier 类成员函数：
- 创建模型实例
- Ptr create()：创建一个新的 NormalBayesClassifier 模型实例。
- 训练模型
- train(const Ptr& trainData, int flags=0)：使用提供的训练数据进行训练。
- train(InputArray samples, int layout, InputArray responses)：另一种形式的训练函数，直接接受样本和响应矩阵作为输入。
- 预测
- predict(InputArray samples, OutputArray results=noArray(), int flags=0) const：对新样本进行预测，并返回每个样本的类别标签或概率值（取决于标志）。
- 保存与加载模型
- save(const String& filename)：将模型保存到文件。
- load(const String& filename)：从文件加载模型。
使用步骤
- 准备数据：准备好你的训练数据集，包括特征向量及其对应的标签。
- 初始化 NormalBayesClassifier 模型：使用 cv::ml::NormalBayesClassifier::create() 创建一个新的 NormalBayesClassifier 模型实例。
- 训练模型：调用 train() 方法，传入你的训练数据来进行模型训练。
- 评估模型：可以通过交叉验证或者在独立的测试集上评估模型性能。
- 预测新数据：使用训练好的模型对新的未见过的数据进行预测，并获取其所属类别的概率分布。
代码示例
#include <iostream>
#include <opencv2/ml.hpp>
#include <opencv2/opencv.hpp>using namespace cv;
using namespace cv::ml;
using namespace std;int main()
{// 准备训练数据Mat samples = ( Mat_< float >( 4, 2 ) << 0.5, 1.0, 1.0, 1.5, 2.0, 0.5, 1.5, 0.0 );Mat responses = ( Mat_< int >( 4, 1 ) << 0, 0, 1, 1 );// 确保数据和标签是浮点数类型if ( samples.type() != CV_32F ){samples.convertTo( samples, CV_32F );}if ( responses.type() != CV_32S ){ // 注意：对于分类，通常使用整数类型标签responses.convertTo( responses, CV_32S );}// 创建并配置 NormalBayesClassifier 模型Ptr< NormalBayesClassifier > nb_model = NormalBayesClassifier::create();// 训练模型bool ok = nb_model->train( samples, ROW_SAMPLE, responses );if ( ok ){// 保存模型nb_model->save( "nb_model.yml" );// 对新样本进行预测Mat sample = ( Mat_< float >( 1, 2 ) << 1.6, 0.7 );float response = nb_model->predict( sample );cout << "The predicted response for the sample is: " << response << endl;}else{cerr << "Training failed!" << endl;}return 0;
}
运行结果
The predicted response for the sample is: 1
