75、机器学习中的数据处理与朴素贝叶斯分类器

机器学习中的数据处理与朴素贝叶斯分类器

1. 输出值类型与回归问题

在机器学习中，输出值类型有两种重要情况。一种是离散的类标签，另一种是有序的输出值，即不同的值可以像数字一样进行比较，这属于回归问题。需要注意的是，回归类型的算法只能处理有序输入变量。虽然有时可以为分类变量设定一个顺序，但这种人为设定的顺序可能没有实际的哲学依据，导致回归时出现困难。

2. 特征和样本子集训练

许多机器学习库中的模型可以在训练集的选定特征子集和/或选定样本子集上进行训练。为了方便用户操作，提供了 cv::ml::TrainData::create() 方法，该方法包含 varIdx 和 sampleIdx 两个向量作为参数。
- varIdx 向量：用于标识感兴趣的特定变量（特征）。
- sampleIdx 向量：用于标识感兴趣的特定数据点。

这两个向量可以省略或设置为 cv::noArray() （默认值），表示使用“所有特征”或“所有点”。它们可以是从零开始的索引列表，也可以是活动变量/样本的掩码，非零值表示活动。具体要求如下：
|向量类型|数据类型|长度要求|
| ---- | ---- | ---- |
|索引列表|CV_32SC1|任意长度|
|掩码|CV_8UC1|与特征或样本数量相同|

sampleIdx 参数在读取大量数据并希望将部分数据用于训练，部分用于测试时特别有用，无需