将SVM与opencv结合使用？

我有大小为100的特征向量。总训练样本为500个，其中每个类有10个样本。我想为每个类设计一个单独的svm分类器。也就是说，每个类的分类器将提供10个正（该类）和490个负实例。 我的opencv代码如下

培训：

Mat trainingDataMat(500, 100, CV_32FC1, trainingData);//trainingData is 2D MATRIX

Mat labelsMat(500, 1, CV_32FC1, labels);//10 positive and 490 -ve labels
CvSVMParams params;
params.svm_type = SVM::C_SVC;
params.kernel_type = SVM::RBF;
CvSVM SVM; 
SVM.train_auto(trainingDataMat, labelsMat, Mat(), Mat(), params,5);
SVM.save(name);

用于测试

Mat sampleMat(1, size, CV_32FC1, testing_vector);// testing_vector is 1D vector
CvSVM SVM;
SVM.load(name);
float response = SVM.predict(sampleMat);

问题是，即使我从训练集中给出了肯定的测试样本，类的分类器也会输出-1，对于其他测试样本也是如此

我还尝试了一个_类支持向量机，但它为每个测试样本提供0

我哪里出错了，或者我应该使用什么svm类型？如果可能，请用代码解释。

---

提前感谢您。

对于每个类，请尝试使用线性内核和近似相等的正数和负数。您可以通过设置gamma和cost参数的值来调整精度/召回率。请看：

尝试使用线性内核，并对每个类使用近似相等的正数和负数。您可以通过设置gamma和cost参数的值来调整精度/召回率。看看：

您似乎错过了规范化步骤。OpenCV中的SVM分类器使用与相同的方法，如果您阅读了libsvm的文档，它会说您应该规范化间隔[-1,1]中的列车数据，并获取比例参数。然后使用这些缩放参数缩放测试数据。这可能是一个问题。也可能是因为正负样本数量不相等。训练SVM后，您是否尝试将训练数据分类为交叉验证？

似乎您错过了标准化步骤。OpenCV中的SVM分类器使用与相同的方法，如果您阅读了libsvm的文档，它会说您应该规范化间隔[-1,1]中的列车数据，并获取比例参数。然后使用这些缩放参数缩放测试数据。这可能是一个问题。也可能是因为正负样本数量不相等。训练SVM后，是否尝试将训练数据分类为交叉验证？

：数据已缩放。是的，数据具有非等效数量的正样本和负样本（10个正样本和490个负样本）。那么，是否有可能用svm对这些数据进行分类呢。我也可以在这里使用一类SVM吗。谢谢。我不认为任何人可以说，如果一个数据可以分类与支持向量机与否。数据应该是可分类的，以便支持向量机能够对其进行分类。如果您的数据不可分类（不仅仅是SVM），则没有其他分类器无法对其进行分类。SVM只是一个复杂且易于使用的分类器，只有在数据可分类的情况下。您试图对哪些类型的数据进行分类？你为什么不给出接近数量的正负训练样本？事实上，我正在尝试对人脸数据进行分类。我有一个人脸描述符，我想根据它进行分类。对于每个人，我有10个样本，所以在训练SVM时（每人一个）我将10个标记为阳性，其余标记为阴性。因此，在测试第一、第二个人时，我将使用SVM1、SVM2等。不可分类数据是原因吗？好的，您的数据是面部数据，但什么类型的数据？DCT系数，LBP系数？我想说的是，可能是您的描述符不适合这个问题，例如，如果您使用颜色直方图进行人脸验证，它很可能会失败。也许您可以只使用2个用户进行测试。使用10个正样本和10个负样本训练您的系统并对其进行测试，如果失败，我可以说您的问题不是SVM，而是其他问题。@guneykaiym:ya遇到了问题，只是描述符：数据已经缩放。是的，数据具有非等效数量的正样本和负样本（10个正样本和490个负样本）。那么，是否有可能用svm对这些数据进行分类呢。我也可以在这里使用一类SVM吗。谢谢。我不认为任何人可以说，如果一个数据可以分类与支持向量机与否。数据应该是可分类的，以便支持向量机能够对其进行分类。如果您的数据不可分类（不仅仅是SVM），则没有其他分类器无法对其进行分类。SVM只是一个复杂且易于使用的分类器，只有在数据可分类的情况下。您试图对哪些类型的数据进行分类？你为什么不给出接近数量的正负训练样本？事实上，我正在尝试对人脸数据进行分类。我有一个人脸描述符，我想根据它进行分类。对于每个人，我有10个样本，所以在训练SVM时（每人一个）我将10个标记为阳性，其余标记为阴性。因此，在测试第一、第二个人时，我将使用SVM1、SVM2等。不可分类数据是原因吗？好的，您的数据是面部数据，但什么类型的数据？DCT系数，LBP系数？我想说的是，可能是您的描述符不适合这个问题，例如，如果您使用颜色直方图进行人脸验证，它很可能会失败。也许您可以只使用2个用户进行测试。用10个正面和10个反面的例子来训练你的系统，并对其进行测试，如果失败了，我可以说你的问题不是SVM而是别的东西。@guneykaiym:你找到了问题，它只是一个描述符