76、机器学习分类器与决策树的深入解析

机器学习分类器与决策树的深入解析

在机器学习领域，对象识别和分类是重要的任务。我们首先会声明是否找到了目标对象，如果没有，则声明未识别到对象。当只有一个感兴趣的对象时，我们计算的概率实际上是相对于背景而言的，背景是除了我们试图学习和识别的目标对象之外的所有内容。

朴素/正态贝叶斯分类器

在实际应用中，学习模型相对容易。我们通过获取大量对象的图像，计算这些对象的特征，并计算每个特征在训练集中出现的频率。一般来说，如果数据量较少，像朴素贝叶斯这样的简单模型往往比复杂模型表现更好，因为复杂模型可能会对数据做出过多假设。

以下是正态贝叶斯分类器的类定义：

class NormaBayesClassifierImpl : public NormaBayesClassifier {
                                      // cv::ml::NormaBayesClassifier is derived
                                      // from cv::ml::StatModel
public:
  ...
  float predictProb(
    InputArray   inputs,
    OutputArray  outputs,
    OutputArray  outputProbs,
    int          flags      = 0
  );
  ...
  // From class NormaBayesClassifier
  //
  // Ptr<NormaBayesClassi