train_class_gmm — MV `classify` op

• データ種: matrix → table

• 呼び出し: import fullseye as fs; fs.ledger.train_class_gmm(features, labels, n_centers=1, iterations=100, tol=1e-06, regularize=1e-06, seed=0) (実装を直接呼ぶなら import mvclass; mvclass.train_class_gmm(features, labels, n_centers=1, iterations=100, tol=1e-06, regularize=1e-06, seed=0)、台帳から引くなら opsmv.get("train_class_gmm"))

• HALCON 相当: train_class_gmm(意味・パラメータは HALCON リファレンスが参考になる)

• GPU: なし(CPU 参照実装のみ)

使い方

クラスごとに混合正規分布を EM で学習する。

事前確率はクラスの行数の比。n_centers=1 は 2 次判別分析と同じ。空の入力(features が 0 要素)は ValueError。

Args:

features: (N, D) の特徴。

labels: 長さ N のクラス(2 種類以上)。

n_centers: クラスあたりの成分数(>= 1)。

iterations: EM の上限回数(>= 1)。

tol: 対数尤度の相対変化の収束判定。

regularize: 共分散の対角に足す値(> 0)。

seed: 初期中心を選ぶ乱数の種。

Returns:

classes、priors、components を持つモデルの dict。

詳しい使い方ガイド

• machine_vision_classics ファミリガイド

参考(サンプルデータ・文献)

• サンプルデータカタログ(DL URL / ライセンス) — 2-D は skimage.data(BSD/public)+ 合成、3-D は実データ源(Stanford/PDS 等)の DL URL。

• 演算子の来歴・参考文献 — この op 族の元になった研究/手法の出典。

• アルゴリズムの正典(著者・年)と用途は上記ファミリ使い方ガイドに記載。

実行できる例(この op を実際に呼ぶ検証済みサンプル)

• machine_vision_tour — py -3.11 examples/machine_vision_tour.py

• poc_real_typewritten_ocr — py -3.11 examples/poc_real_typewritten_ocr.py

• poc_surface_defect_classifiers — py -3.11 examples/poc_surface_defect_classifiers.py

型が繋がる次の op(`table` を入力に取れる)

map_image · rectify_to_world_plane · change_radial_distortion_image · find_ncc_models · run_bg_esti · give_bg_esti · update_bg_esti · classify_class_gmm

同カテゴリ(`classify`)

classify_class_gmm · evaluate_class_gmm · train_class_knn · classify_class_knn · train_class_mlp · classify_class_mlp · train_class_svm · classify_class_svm

*Provenance: mvclass.py — MV operator registry. この per-op ノートは tools/opdocs.py md が自動生成(手編集しない)。*

train_class_gmm — MV classify op

使い方