OpenCV机器学习（5）逻辑回归算法cv::ml::LogisticRegression

• OpenCV版本：OpenCV4.9
• IDE:Visual Studio Code
• 编程语言：C++11

算法描述

cv::ml::LogisticRegression 是 OpenCV 机器学习模块中的一个类，用于实现逻辑回归算法。逻辑回归是一种广泛应用于分类问题的统计方法，特别适合二分类任务。尽管名字中有“回归”二字，但它主要用于预测数据点属于某个类别的概率。

主要特性

• 二分类：主要设计用于解决二分类问题。
• 参数设置：允许用户配置学习率、迭代次数、正则化类型等参数以优化模型性能。
• 正则化支持：支持 L2 正则化来防止过拟合，提高模型的泛化能力。

常用成员函数

以下是 cv::ml::LogisticRegression 类中一些常用的成员函数：

• 创建 LogisticRegression 模型实例
  • Ptr create()：创建一个新的 LogisticRegression 模型实例。
• 设置模型参数
  • setLearningRate(double learning_rate)：设置学习率，默认值为 0.001。
  • setIterations(int iterations)：设置最大迭代次数，默认值为 1000。
  • setRegularization(int regularization)：设置正则化类型（如 LogisticRegression::REG_L2）。
  • setMiniBatchSize(int size)：设置小批量梯度下降的批量大小。
• 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。

代码示例

#include <opencv2/opencv.hpp>
#include <opencv2/ml.hpp>
#include <iostream>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);// 注意：将标签转换为浮点数类型Mat responses = (Mat_<float>(4, 1) << 0.0, 0.0, 1.0, 1.0); // 确保是浮点数// 创建并配置 LogisticRegression 模型Ptr<LogisticRegression> lr_model = LogisticRegression::create();lr_model->setLearningRate(0.01); // 设置学习率lr_model->setIterations(1000);   // 设置最大迭代次数lr_model->setRegularization(LogisticRegression::REG_L2); // 使用L2正则化// 训练模型bool ok = lr_model->train(samples, ROW_SAMPLE, responses);if (ok) {// 保存模型lr_model->save("lr_model.yml");// 对新样本进行预测Mat sample = (Mat_<float>(1, 2) << 1.6, 0.7);float response = lr_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