71、OpenCV 中的机器学习基础

OpenCV 中的机器学习基础

1. 机器学习概述

机器学习（ML）的目标是将数据转化为信息。在从一组数据中学习后，我们希望机器能够回答关于这些数据的问题，例如：哪些其他数据与当前数据最相似？图像中是否有汽车？用户会对哪个广告做出反应？有时还会涉及成本因素，比如“在我们最盈利的产品中，如果向用户展示广告，他们最有可能购买哪一个？”机器学习通过从数据中提取规则或模式，将数据转化为信息。

2. 训练集和测试集

我们关注的机器学习类型处理原始数值数据，如温度值、股票价格和颜色强度等，这些数据通常会被预处理为特征。例如，我们可以获取包含 10,000 张人脸图像的数据库，对人脸运行边缘检测器，然后收集每个脸的边缘方向、边缘强度和相对于脸中心的偏移等特征，可能每张脸会得到 500 个这样的值，即一个 500 维的特征向量。

我们可以使用机器学习技术从这些收集的数据中构建某种模型。如果我们只想了解人脸如何分为不同的组（宽脸、窄脸等），那么聚类算法是合适的选择；如果我们想根据检测到的人脸边缘模式来预测人的年龄，那么分类器算法会更合适。为了实现我们的目标，机器学习算法会分析收集的特征，并调整权重、阈值和其他模型参数，以根据这些目标最大化性能，这个根据目标调整参数的过程就是所谓的学习。

为了评估机器学习方法的效果，传统做法是将可用数据集划分为一个大的训练集（例如，在我们的例子中可能是 9,000 张人脸）和一个较小的测试集（剩下的 1,000 张人脸）。我们可以在训练集上运行分类器，根据数据特征向量学习年龄预测模型。训练完成后，我们可以在测试集的剩余图像上测试年龄预测分类器。

测试集不用于训练，并且我们不会让分类器“看到”测试集的年龄