C++ 为什么OpenCV3.1 NormalBayesClassifier'；在这个例子中，错误率这么高？

我正在尝试使用OpenCV3.1的

NormalBayesClassifier

解决一个简单的问题，我可以轻松地生成训练数据。我决定把输入的数字分为偶数或奇数。显然，这可以100%准确地直接计算，但关键是为了熟悉OpenCV的ML功能

所以，我的第一个问题是-

NormalBayesClassifier

不是这个问题的合适模型，有没有理论上的原因

如果不是，第二个问题是，为什么我的错误率这么高

cv:：ml:：StatModel:：calcError（）

为我提供了30%-70%的输出

第三，降低错误率的最佳方法是什么

下面是一个最小的、自包含的片段，它演示了这个问题：

（为了清楚起见，对于偶数，分类/输出应为

0

，对于奇数，分类/输出应为

1

）

---

在代码中，您为算法提供了一个单一的特征，即要分类的数字。这是不够的，除非您多次提供相同数字的多个示例。如果您想让学习算法了解奇数vs偶数，那么需要考虑分类器可以使用什么样的特征来学习。大多数机器学习技术都需要您首先仔细设计特征

既然您想用ML进行实验，我建议如下：

对于每个数字，创建5个特征，一个对每个数字进行编码。因此，5将是00005或f1=0，f2=0，f3=0，f4=0，f5=0，11098将是f1=1，f2=2，f3=0，f4=9，f5=8

如果您的数字大于该数字，则只能保留最后5位数字

训练你的分类器

使用相同的编码进行测试。您希望从分类器中了解到，只有最后一个数字对确定奇数与偶数很重要

---

如果你想更多地使用它，你可以用二进制格式编码数字。这将使分类器更容易了解数字的奇数或偶数

来自doc：“普通贝叶斯分类器——这个简单的分类模型假设每个类别的特征向量都是正态分布的（尽管不一定是独立分布的）因此，假设整个数据分布函数为高斯混合，每类一个分量。算法使用训练数据估计每类的平均向量和协方差矩阵，然后使用它们进行预测。”显然，这种假设不适用于奇数和偶数。我认为大多数ml分类器都无法将奇数和偶数进行分类。嗨@Mika-谢谢你的澄清，但我不确定我是否理解。你能详细描述一下这是如何应用于奇偶问题的吗？你的特征空间只有一个维度，即值。NBC假设两个类都是正态分布的，因此理想情况下，每个类在要素空间中都有一个固定点，并且该类的样本分布在该点周围。但是在奇数和偶数情况下，你的点是规则分布的（并且在这个一维中是不可分离的，这对于许多其他ml分类器来说是个问题），好的，这是有意义的。OpenCV中是否有更合适的分类器能够解决这个问题？或者，或者除此之外，是否有一个更好的示例问题，我可以尝试使用贝叶斯分类器？请看一下的第一个答案。以贝叶斯分类器为例，我将从正态分布生成随机值，并向其添加一些噪声。谢谢

#include <ml.h>
#include <iomanip>

int main() {

   const int numSamples = 1000;
   cv::RNG rng = cv::RNG::RNG((uint64) time(NULL));

   // construct training sample data

   cv::Mat samples;
   samples.create(numSamples, 1, CV_32FC1);

   for (int i = 0; i < numSamples; i++) {
      samples.at<float>(i) = (int)rng(10000);
   }

   // construct training response data

   cv::Mat responses;
   responses.create(numSamples, 1, CV_32SC1);

   for (int i = 0; i < numSamples; i++) {
      int sample = (int) samples.at<float>(i);
      int response = (sample % 2);
      responses.at<int>(i) = response;
   }

   cv::Ptr<cv::ml::TrainData> data = cv::ml::TrainData::create(samples, cv::ml::ROW_SAMPLE, responses);

   data->setTrainTestSplitRatio(.9);

   cv::Ptr<cv::ml::NormalBayesClassifier> classifier = cv::ml::NormalBayesClassifier::create();

   classifier->train(data);

   float errorRate = classifier->calcError(data, true, cv::noArray());

   std::cout << "Bayes error rate: [" << errorRate << "]" << std::endl;

   // construct prediction inputs
   const int numPredictions = 10;

   cv::Mat predictInputs;
   predictInputs.create(numPredictions, 1, CV_32FC1);

   for (int i = 0; i < numPredictions; i++) {
      predictInputs.at<float>(i) = (int)rng(10000);
   }

   cv::Mat predictOutputs;
   predictOutputs.create(numPredictions, 1, CV_32SC1);

   // run prediction

   classifier->predict(predictInputs, predictOutputs);

   int numCorrect = 0;

   for (int i = 0; i < numPredictions; i++) {
      int input = (int)predictInputs.at<float>(i);
      int output = predictOutputs.at<int>(i);
      bool correct = (input % 2 == output);

      if (correct)
         numCorrect++;

      std::cout << "Input = [" << (int)predictInputs.at<float>(i) << "], " << "predicted output = [" << predictOutputs.at<int>(i) << "], " << "correct = [" << (correct ? "yes" : "no") << "]"  << std::endl;
   }

   float percentCorrect = (float)numCorrect / numPredictions * 100.0f;

   std::cout << "Percent correct = [" << std::fixed << std::setprecision(0) << percentCorrect << "]" << std::endl;
}

Bayes error rate: [36]
Input = [9150], predicted output = [1], correct = [no]
Input = [3829], predicted output = [0], correct = [no]
Input = [4985], predicted output = [0], correct = [no]
Input = [8113], predicted output = [1], correct = [yes]
Input = [7175], predicted output = [0], correct = [no]
Input = [811], predicted output = [1], correct = [yes]
Input = [699], predicted output = [1], correct = [yes]
Input = [7955], predicted output = [1], correct = [yes]
Input = [8282], predicted output = [1], correct = [no]
Input = [1818], predicted output = [0], correct = [yes]
Percent correct = [50]