OpenCV:使用 随机森林与GBDT
随机森林顾名思义,是用随机的方式建立一个森林。简单来说,随机森林就是由多棵CART(Classification And Regression Tree)构成的。对于每棵树,它们使用的训练集是从总的训练集中有放回采样出来的,这意味着,总的训练集中的有些样本可能多次出现在一棵树的训练集中,也可能从未出现在一棵树的训练集中。在训练每棵树的节点时,使用的特征是从所有特征中按照一定比例随机地无放回的抽取的,根据Leo Breiman的建议,假设总的特征数量为M,这个比例可以是sqrt(M),1/2sqrt(M),2sqrt(M)。
随机性来源:特征选择的随机性、自举重采样的随机性。
随机森林在多类识别上有足够的优点:随机森林可以作为天然的多类分类器,通过其学习特性进行bag弱分类器,不需要SVM类似的顶层多类训练;随机森林在训练的同时使用随机采样和特征选择,因此并不需要特别的剪枝,可以防止过拟合;并由于随机森林使用决策树,在本质上等同于布尔逻辑,理论上可以表达任意复杂的布尔函数,有强大的可扩充特性,因此随机森林在处理多样本问题上看似是无边界的,并容易实现在线学习方式-通过在线分裂叶子节点或者增加生成树等方式。
其他描述可参考:http://www.cnblogs.com/hrlnw/p/3850459.html
或者此描述:https://www.cnblogs.com/maybe2030/p/4585705.html
随机森林在生成过程中,使用了模型平均,致力于降低集合模型的方差,能够获取到内部生成误差的一种无偏估计/It generates an internal unbiased estimate of the generalization error as the forest building progresses。且理论证明,随机森林的弱分类器的个数越多,分类器逐渐逼近理论模型的准确度极限。
在 do we need hundreds of classifiers to solve real world classification problem 论文中,对不使用DNN的传统分类器,十几个族的各个分类器在多个数据集上进行评测,得到了排名第一的效果。
一、OpenCV的RTrees:
1. RTrees参数,参考链接:http://blog.csdn.net/pi9nc/article/details/12197731
CvRTParams |
定义R.T.训练用参数,CvDTreeParams的扩展子类,但并不用到CvDTreeParams(单一决策树)所需的所有参数。比如说,R.T.通常不需要剪枝,因此剪枝参数就不被用到。 max_depth :单棵树所可能达到的最大深度 min_sample_count: 树节点持续分裂的最小样本数量,也就是说,小于这个数节点就不持续分裂,变成叶子。 use_surrogates :是否使用代理分裂。通常都是false,在有缺损数据或计算变量重要性的场合为true,比如,变量是色彩,而图片中有一部分区域因为光照是全黑的 max_categories :将所有可能取值聚类到有限类,以保证计算速度。树会以次优分裂(suboptimal split)的形式生长。只对2种取值以上的树有意义 priors : 优先级设置,设定某些你尤其关心的类或值,使训练过程更关注它们的分类或回归精度。通常不设置 calc_var_importance : 设置是否需要获取变量的重要值,一般设置true nactive_vars : 树的每个节点随机选择变量的数量,根据这些变量寻找最佳分裂。如果设置0值,则自动取变量总和的平方根 forest_accuracy : 准确率(作为终止条件) termcrit_type :终止条件设置 |
CvRTrees::train |
训练R.T. return bool : 训练是否成功 train_data : 训练数据:样本(一个样本由固定数量的多个变量定义),以Mat的形式存储,以列或行排列,必须是CV_32FC1格式(Float格式!) tflag trainData的排列结构 — CV_ROW_SAMPLE 行排列 — CV_COL_SAMPLE 列排列 responses :训练数据:样本的值(输出),以一维Mat的形式存储,对应trainData,必须是CV_32FC1或CV_32SC1格式。对于分类问题,responses是类标签;对于回归问题,responses是需要逼近的函数取值 var_idx :定义感兴趣的变量,变量中的某些,传null表示全部 sample_idx :定义感兴趣的样本,样本中的某些,传null表示全部 var_type :定义responses的类型 — CV_VAR_CATEGORICAL 分类标签 — CV_VAR_ORDERED(CV_VAR_NUMERICAL)数值,用于回归问题 missing_mask :定义缺失数据,和train_data一样大的8位Mat params : CvRTParams定义的训练参数 |
CvRTrees::train |
训练R.T.(简短版的train函数) return bool 训练是否成功 data 训练数据:CvMLData格式,可从外部.csv格式的文件读入,内部以Mat形式存储,也是类似的value / responses / missing mask。 params CvRTParams定义的训练参数 |
CvRTrees:predict |
对一组输入样本进行预测(分类或回归) return double 预测结果 sample 输入样本,格式同CvRTrees::train的train_data missing_mask 定义缺失数据 |
2. 训练过程
Training
RF属于Bagging类模型,因此大体训练过程和Bagging类似,关键在于样本的随机选取避免模型的overfitting问题。RF中的每棵决策树是分开训练的,彼此之间并无关联。对于每棵决策树,训练之前形成一个样本子集,在这个子集中有些样本可能出现多次,而另一些可能一次都没出现。接下去,就是循序决策树训练算法的,针对这个样本子集的单棵决策树训练。
单棵决策树的生成大致遵循以下过程:
1)随机生成样本子集;
2)分裂当前节点为左右节点,比较所有可选分裂,选取最优者;
3)重复2)直至达到最大节点深度,或当前节点分类精度达到要求。
这一过程是贪婪的。
当然对于不同的应用场合,训练过程中,会有细节上的差别,比如样本子集的生成过程、以及最优分割的定义。
二. 使用OpenCV随机森林
1. 所使用的代码:
//训练过程——阈值、迭代次数、输出响应
//训练参数存储为XML newrtrees.xml
//注意事项: 此代码的内存错误我并没有解决,而使用GBDTree!已解决!
//注意事项: CvRTrees* forest = new CvRTrees; 使用是错误的,无法完成初始化,应该修改为:CvRTrees* forest = new CvRTrees();
int CPalmRecog::rTreesTrain(LabeledFeatrureArrayI &trainData)
{int NumSample = trainData.size();int NUMBER_OF_TRAINING_SAMPLES = NumSample;int ATTRIBUTES_PER_SAMPLE = FeatureLenG;//定义训练数据与标签矩阵 cv::Mat training_data =cv::Mat(NUMBER_OF_TRAINING_SAMPLES, ATTRIBUTES_PER_SAMPLE, CV_32FC1);cv::Mat training_classifications =cv::Mat(NUMBER_OF_TRAINING_SAMPLES, 1, CV_32FC1);//Copy 数据和标签 到训练数据!for (int i = 0; i< NUMBER_OF_TRAINING_SAMPLES; i++) {for (int idx = 0; idx < ATTRIBUTES_PER_SAMPLE; ++idx){//转化为char类型training_data.at<float>(i,idx) = trainData[i].second[idx];}training_classifications.at<float>(i, 0) = trainData[i].first;//类别标签!}//1. RF参数!//正好15类////float priors[] = {1,1,1,1,1,1,1,1,1,1,1,1,1,1,1};CvRTParams Params(15, 10, 0.01f, true,//false,15, 0, true,4,1000, 0.01f,//CV_TERMCRIT_ITER);//最大类别数设置为8//设置为64颗树如何?CV_TERMCRIT_EPS );//2. 随机森林训练 .SVM SVMS;// CvSVM SVMs;CvRTrees* forest = new CvRTrees();//CvRTrees* forest = new CvRTrees;CvMat* var_importance = 0;forest->train(training_data,//已经填充数据CV_ROW_SAMPLE,//CV_COL_SAMPLE,//CV_ROW_SAMPLE,training_classifications,//已经初始化,应该没有什么问题!!!cv::Mat(), cv::Mat(), cv::Mat(), cv::Mat(),Params);//3. Test,不需要吗?//4. 保存参数到XML文件forest->save("Out/rtrees.xml");return 1;
}
2.注意事项
对于网上copy的代码!
比如此行代码:
CvRTrees* forest = new CvRTrees();//CvRTrees* forest = new CvRTrees;
使用GBTrees和RTrees的存储空间不太一样,使用RTrees得到89MB的森林XML文件,而GBTrees只获得了433KB的文件,精度上应该有些差别。
梯度提升树使用了残差学习的方法,每一层学习的是上一层的函数,类似于反馈模型,使用了较少的参数,因此泛化性能也相应地降低。
3.测试结果
全部测试,错误率如下:Class (digit 0) false postives 0 (0%)Class (digit 1) false postives 9 (1.07527%)Class (digit 2) false postives 1 (0.119474%)Class (digit 3) false postives 0 (0%)Class (digit 4) false postives 0 (0%)Class (digit 5) false postives 0 (0%)Class (digit 6) false postives 0 (0%)Class (digit 7) false postives 0 (0%)Class (digit 8) false postives 0 (0%)Class (digit 9) false postives 1 (0.119474%)Class (digit 10) false postives 1 (0.119474%)Class (digit 11) false postives 0 (0%)Class (digit 12) false postives 0 (0%)Class (digit 13) false postives 0 (0%)Class (digit 14) false postives 0 (0%)
错误率:12/836 *100% = 1.435%
二、GBDT
参考文章:机器学习中的算法——决策树模型组合之随机森林与GBDT
原始的Boost算法是在算法开始的时候,为每一个样本赋上一个权重值,初始的时候,大家都是一样重要的。在每一步训练中得到的模型,会使得数据点的估计有对有错,我们就在每一步结束后,增加分错的点的权重,减少分对的点的权重,这样使得某些点如果老是被分错,那么就会被“严重关注”,也就被赋上一个很高的权重。然后等进行了N次迭代(由用户指定),将会得到N个简单的分类器(basic learner),然后我们将它们组合起来(比如说可以对它们进行加权、或者让它们进行投票等),得到一个最终的模型。
而Gradient Boost与传统的Boost的区别是,每一次的计算是为了减少上一次的残差(residual),而为了消除残差,我们可以在残差减少的梯度(Gradient)方向上建立一个新的模型。所以说,在Gradient Boost中,每个新的模型的简历是为了使得之前模型的残差往梯度方向减少,与传统Boost对正确、错误的样本进行加权有着很大的区别。
OpenCV可以直接使用GBDT,方法与随机森林相同,在相同的准确率下生成的模型要小很多,同时这意味着泛化能力变差。
OpenCV:使用 随机森林与GBDT相关推荐
- 机器学习中的算法(1)-决策树模型组合之随机森林与GBDT
版权声明: 本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用,但请注明出处,如果有问题,请联系wheeleast@gm ...
- 决策树模型组合之随机森林与GBDT
版权声明: 本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用,但请注明出处,如果有问题,请联系wheeleast@gm ...
- gbdt 算法比随机森林容易_随机森林与GBDT
Bagging策略 1.总样本数量是n个,从样本中重采样(有放回的)选出n个样本 ,会有约33.2%的样本不会被抽到 2.在所有属性上对这n个样本建立分类器(比如决策树,svm,lr) 3.重复步骤1 ...
- 决策树php,决策树模型组合之随机森林与GBDT
前言: 决策树这种算法有着很多良好的特性,比如说训练时间复杂度较低,预测的过程比较快速,模型容易展示(容易将得到的决策树做成图片展示出来)等.但是同时,单决策树又有一些不好的地方,比如说容易over- ...
- 数据挖掘算法(logistic回归,随机森林,GBDT和xgboost)-腾讯云社区
机器学习就是样本中有大量的x(特征量)和y(目标变量)然后求这个function.(了解更多可以看: https://zhuanlan.zhihu.com/p/21340974?refer=mlear ...
- 决策树(四)--随机森林与GBDT
前言: 决策树这种算法有着很多良好的特性,比如说训练时间复杂度较低,预测的过程比较快速,模型容易展示(容易将得到的决策树做成图片展示出来)等.但是同时,单决策树又有一些不好的地方,比如说容易over- ...
- 数据代码分享|Python用NLP自然语言处理LSTM神经网络Twitter推特灾难文本数据、词云可视化与SVM,KNN,多层感知器,朴素贝叶斯,随机森林,GBDT对比
作者:Yunfan Zhang Twitter是一家美国社交网络及微博客服务的网站,致力于服务公众对话.迄今为止,Twitter的日活跃用户达1.86亿.与此同时,Twitter也已成为突发紧急情况时 ...
- xgboost原理,怎么防止过拟合。随机森林,GBDT,Xgoost的区别,bagging和boosting
一.bagging和boosting的区别 参考:https://www.cnblogs.com/liuwu265/p/4690486.html Bagging和Boosting都是将已有的分类或回归 ...
- 随机森林和gbdt结合_决策树与迭代决策树(GBDT)
关注数学,关注AI,关注我们公众号ID:Math-AI 阅读目录 1. 决策树的模型 2. 决策树的基本知识 3. ID3.C4.5&CART 4. Random Forest 5. GBDT ...
最新文章
- Linux中log的目录,/var/log目录中Linux日志文件的功能详解
- webuploader 获取文件md5_WebUploader API文档
- OpenGL ES之基本简介和渲染流程
- mysql存储过程中怎么睡几秒_MySql的逻辑架构
- 微服务设计原则和解决方案
- python爬取数据保存为csv时生成编号_将爬取到到数据以CSV格式存储
- 是否应该提供一个dao.insertIgnoreNull ? (像updateIgnoreNull一样)
- 李开复:一切靠命运或靠自己都是不合适的
- log4j使用和配置详解
- Button switch..case 语句监听按钮点击的方法。。下面这方法好。
- java美图秀秀,【美图秀秀和Java手机游戏模拟器哪个好用】美图秀秀和Java手机游戏模拟器对比-ZOL下载...
- 动态路由ospf、DR和BDR
- 苹果6p计算机在哪里设置方法,苹果手机怎么设置铃声【图文教程,不用电脑,1分钟完成】...
- 梅科尔工作室E1-张冉-鸿蒙笔记2
- 游戏里的小哥哥小姐姐都是怎么来的?
- google学术出现错误
- LWN:Ubuntu 不再缺省提供Flatpak!
- 三元一次方程组步骤_《三元一次方程组及其解法》学习要点
- 无需越狱,iPhone修改状态栏运营商名称
- CGB2106-Day10