65、机器学习基础与OpenCV算法应用

机器学习基础与OpenCV算法应用

1. 生成模型与判别学习

生成新数据就如同想象一头大象，是在给定“大象”这个条件下生成数据。生成模型通常更容易解释，因为它对数据的成因进行建模（无论建模是否正确）。而判别学习往往依赖于某个看似随意的阈值来做决策。例如，在识别场景中的道路时，若因为某块区域的“红色”值小于125就将其识别为道路，那么红色值为126的区域就一定不是道路吗？这类问题很难解释。生成模型通常处理给定类别的数据条件分布，因此能让人感受到与结果分布“接近”的含义。

2. OpenCV中的机器学习算法

OpenCV包含多种机器学习算法，分布在不同模块中。以下是部分算法介绍：
| 算法 | 注释 |
| — | — |
| Mahalanobis | 一种距离度量方法，通过去除数据的协方差来考虑数据空间的“伸缩性”。若协方差为单位矩阵（方差相同），则该度量等同于欧几里得距离度量。 |
| K - means | 一种无监督聚类算法，使用用户指定的K个中心来表示数据分布。与期望最大化算法不同，这里的中心不是高斯分布，生成的聚类更像肥皂泡，因为中心会“争夺”最近的数据点。这些聚类区域常作为稀疏直方图区间来表示数据。 |
| 正态/朴素贝叶斯分类器 | 一种生成式分类器，假设特征服从高斯分布且相互统计独立，这一强假设通常不成立，因此常被称为“朴素贝叶斯”分类器，但该方法往往效果惊人。 |
| 决策树 | 一种判别式分类器。树在当前节点找到一个数据特征和阈值，将数据最佳地划分为不同类别。数据被分割后，递归地在树的左右分支重复该过程。虽通常不是性能最优的，但因其速度快且功能强大，常是首选尝试的算法。 |
| 期望最大