在opencv3中实现机器学习之：利用逻辑斯谛回归（logistic regression)分类

logistic regression,注意这个单词logistic ，并不是逻辑（logic）的意思，音译过来应该是逻辑斯谛回归，或者直接叫logistic回归，并不是什么逻辑回归。大部分人都叫成逻辑回归，无奈啊。。。虽然这个算法中有回归二字，但它做的事情却并不是回归，而是分类。这个算法只能解决简单的线性二分类，在众多的机器学习分类算法中并不出众，但它能被改进为多分类，并换了另外一个名字softmax, 这可是深度学习中响当当的分类算法。因此，logistic回归瞬间也变得高大上起来。

本文用它来进行手写数字分类。在opencv3.0中提供了一个xml文件，里面存放了40个样本，分别是20个数字0的手写体和20个数字1的手写体。本来每个数字的手写体是一张28*28的小图片，但opencv把它reshape了一下，变成了1*784 的向量，然后放在xml文件中。这个文件的位置：

\opencv\sources\samples\data\data01.xml

代码：

// face_detect.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include "opencv2\opencv.hpp"
#include <iostream>
using namespace std;
using namespace cv;
using namespace cv::ml;

//将向量转化成图片矩阵并显示
void showImage(const Mat &data, int columns, const String &name)
{
    Mat bigImage;
    for (int i = ; i < data.rows; ++i)
    {
        bigImage.push_back(data.row(i).reshape(, columns));
    }
    imshow(name, bigImage.t());
}

//计算分类精度
float calculateAccuracyPercent(const Mat &original, const Mat &predicted)
{
    return  * (float)countNonZero(original == predicted) / predicted.rows;
}

int main()
{
    const String filename = "E:\\opencv\\opencv\\sources\\samples\\data\\data01.xml";

    Mat data, labels;  //训练数据及对应标注

    cout << "加载数据..." << endl;
    FileStorage f;
    if (f.open(filename, FileStorage::READ))
    {
        f["datamat"] >> data;
        f["labelsmat"] >> labels;
        f.release();
    }
    else
    {
        cerr << "文件无法打开: " << filename << endl;
        return ;
    }
    data.convertTo(data, CV_32F);  //转换成float型
    labels.convertTo(labels, CV_32F);
    cout << "读取了 " << data.rows << "行数据" << endl;

    Mat data_train, data_test;
    Mat labels_train, labels_test;
    //将加载进来的数据均分成两部分，一部分用于训练，一部分用于测试
    for (int i = ; i < data.rows; i++)
    {
        if (i %  == )
        {
            data_train.push_back(data.row(i));
            labels_train.push_back(labels.row(i));
        }
        else
        {
            data_test.push_back(data.row(i));
            labels_test.push_back(labels.row(i));
        }
    }
    cout << "训练数据： " << data_train.rows << "行" << endl;
    cout<<"测试数据："<< data_test.rows <<"行"<< endl;

    // 显示样本图片
    showImage(data_train, , "train data");
    showImage(data_test, , "test data");

    //创建分类器并设置参数
    Ptr<LogisticRegression> lr1 = LogisticRegression::create();
    lr1->setLearningRate(0.001);
    lr1->setIterations();
    lr1->setRegularization(LogisticRegression::REG_L2);
    lr1->setTrainMethod(LogisticRegression::BATCH);
    lr1->setMiniBatchSize();

    //训练分类器
    lr1->train(data_train, ROW_SAMPLE, labels_train);

    Mat responses;
    //预测
    lr1->predict(data_test, responses);

    // 展示预测结果
    cout << "原始数据 vs 预测数据:" << endl;
    labels_test.convertTo(labels_test, CV_32S);  //转换为整型
    cout << labels_test.t() << endl;
    cout << responses.t() << endl;
    cout << "accuracy: " << calculateAccuracyPercent(labels_test, responses) << "%" << endl;

    waitKey();
    return ;
}

从结果显示可以看出，待测数据（test data)是20个，算法分对了19个,精度为95%.