Opencv学习笔记 - 使用opencvsharp和Boosting算法处理分类问题
2023-09-14 09:01:35 时间
决策树非常有用,但单独使用时它并不是表现最佳的分类器。改进的方法随机森林和Boosting算法。随机森林与Boosting算法都是在内部循环中使用决策树的,因此继承了决策树的许多优良属性,它们通常是机器学习库中最佳的“开箱即用”监督学习技术。Boosting算法又被称为OpenCV机器学习库中最好用的监督学习算法。
一、Boosting算法原理
1、Boosting算法的基本思想
随机森林采用的是Bagging算法。Bagging算法的特点是对多个弱学习器进行独立学习,之后取平均,而Boosting算法是对多个弱学习器依次进行学习。其基本思想是:在逐个训练弱分类器时,每次迭代都会调整样本的权重,改变权重的依据是该样本被上一个弱分类器成功分类的难度;给被错误分类的样本加上较大的权重,让接下来的弱学习器更多地关注这些困难样本,尽量避免将其再分错;最后,通过线性组合的方式集成所有弱学习器,构成强学习器。
用于集成的弱学习器都非常简单,通常是只有一个节点的决策树,又称为决策树桩(Decision Stumps),或是只有很少节点的决策树。弱学习器是使用加权样本训练而成的,最后又通过加权“投票”的方式构成强学习器。因此,Boosting算法的关键是样本权重和弱分类器的“投票”权重如何分配。
2、Boosting算法的学习流程
Boosting算法使用加权的原始样本集依次训练k个弱学习器,Boosting算法使用加权的原始样本集依次训练k个弱学习器。
相关文章
- OpenCV颜色空间——HLS颜色空间
- opencv中图像伪彩色处理(C++ / Python)
- OpenCV每日函数 计算摄影模块(6) 非真实感渲染算法
- OpenCV每日函数 计算摄影模块(1) 图像修复算法 inpaint函数
- Opencv学习笔记 各向异性滤波/均值滤波/高斯滤波/中值滤波/加权中值滤波/高斯低通滤波
- Qt中使用openCV修改图片局部颜色算法优化
- OpenCV将两图片进行混合,达到两张图片合并成一张图片的效果
- 在OpenCV里学习常见问题汇编21
- 在OpenCV里用drawContours画轮廓
- 在OpenCV里使用Camshift算法
- 在OpenCV里使用Meanshift算法
- OpenCV入门(三十一)快速学会OpenCV 30 K近邻算法
- OpenCV入门(二十四)快速学会OpenCV 23 傅里叶变换
- 【youcans 的 OpenCV 例程200篇】129. 形态算法之骨架 (重建开运算)
- 【youcans 的 OpenCV 例程200篇】126. 形态算法之凸壳(Convex hull)
- 【youcans 的 OpenCV 例程200篇】125. 形态算法之提取连通分量
- 【youcans 的 OpenCV 例程200篇】122. 形态算法之边界提取
- 【youcans 的 OpenCV 例程200篇】161. OTSU 阈值处理算法的实现
- opencv经典算子原理总结+SIFT算法原理+特征匹配用于图像拼接
- 【图像处理OpenCV(C++版)】——4.4 对比度增强之伽马变换
- OpenCV——高斯滤波
- Python基于OpenCV的图像去雾算法[完整源码&部署教程]