Машинное обучение

#include <stdlib.h> 
#include <stdio.h> 
#include <opencv2/core/core.hpp> 
#include <opencv2/ml/ml.hpp> 
 
using namespace cv; 
 
// размерность пространства признаков 
const int d = 2; 
 
// функция истинной зависимости целевого признака 
// от остальных 
int f(Mat sample) 
{ 
  return (int)((sample.at<float>(0) < 0.5f && 
      sample.at<float>(1) < 0.5f) || 
      (sample.at<float>(0) > 0.5f && 
      sample.at<float>(1) > 0.5f)); 
} 
 
int main(int argc, char* argv[]) 
{ 
  // объем генерируемой выборки 
  int n = 2000; 
  // объем обучающей части выборки 
  int n1 = 1000; 
 
  // матрица признаковых описаний объектов 
  Mat samples(n, d, CV_32F); 
  // номера классов (матрица значений целевой переменной) 
  Mat labels(n, 1, CV_32S); 
  // генерируем случайным образом точки 
  // в пространстве признаков 
  randu(samples, 0.0f, 1.0f); 
 
  // вычисляем истинные значения целевой переменной 
  for (int i = 0; i < n; ++i) 
  { 
    labels.at<int>(i) = f(samples.row(i)); 
  } 
 
  // создаем маску прецедентов, которые будут 
  // использоваться для обучения: используем n1 
  // первых прецедентов 
  Mat trainSampleMask(1, n1, CV_32S); 
  for (int i = 0; i < n1; ++i) 
  { 
    trainSampleMask.at<int>(i) = i; 
  } 
 
  // используем SVM типа C_SVC и радиальным ядром 
  CvSVMParams params; 
  params.svm_type = CvSVM::C_SVC; 
  params.kernel_type = CvSVM::RBF; 
  params.gamma = 1.0; 
  params.C = 1.0; 
 
  CvSVM svm; 
  svm.train(samples, labels, 
    Mat(), trainSampleMask, params); 
  svm.save("model.yml", "simpleSVMModel"); 
 
  // вычисляем ошибку на обучающей выборке 
  Mat predictions; 
  svm.predict(samples.rowRange(0, n1), predictions); 
  float trainError = 0.0f; 
  for (int i = 0; i < n1; ++i) 
  { 
    trainError += (labels.at<int>(i) != 
        (int)(predictions.at<float>(i))); 
  } 
  trainError /= float(n1); 
 
  // вычисляем ошибку на тестовой выборке 
  predictions = Mat(); 
  svm.predict(samples.rowRange(n1, n), predictions); 
  float testError = 0.0f; 
  for (int i = 0; i < n - n1; ++i) 
  { 
    testError += (labels.at<int>(n1 + i) != 
        (int)(predictions.at<float>(i))); 
  } 
  testError /= float(n - n1); 
 
  printf("train error = %.4f\ntest error = %.4f\n", 
    trainError, testError); 
 
  return 0; 
}