如何利用OpenCV自带的级联分类器训练程序训练分类器
首先，需要说明的是，OpenCV自带的haar training提取的特征是haar特征 分类器是AdaBoost级联分类器（如需了解Adaboost算法， 。所谓的级联分类器，就是将若干的简单的分量分类器（可以理解为一般的普通分类器）依次串联起来，最终的检测分类结果，要依次通过所有的分量分类器才能算是一个有效的检测分类结果。否则，就认为当前检测区域内没有我们需要找的目标。
利用OpenCV自带的haar training程序训练一个分类器，需要经过以下几个步骤：
（1）收集训练样本：
训练样本包括正样本和负样本。正样本，通俗点说，就是图片中只有你需要的目标。而负样本的图片只要其中不含有目标就可以了。但需要说明的是，负样本也并非随便选取的。例如，你需要检测的目标是汽车，那么正样本就应该是仅仅含有汽车的图片，而负样本显然不能是一些包含天空的，海洋的，风景的图片。因为你最终训练分类器的目的是检测汽车，而汽车应该出现在马路上。也就是说，分类器最终检测的图片应该是那些包含马路，交通标志，建筑物，广告牌，汽车，摩托车，三轮车，行人，自行车等在内的图片。很明显，这里的负样本应该是包含摩托车、三轮车、自行车、行人、路面、灌木丛、花草、交通标志、广告牌等。
另外，需要提醒的是，adaboost方法也是机器学习中的一个经典算法，而机器学习算法的前提条件是，测试样本和训练样本独立同分布。所谓的独立同分布，可以简单理解为：训练样本要和最终的应用场合非常接近或者一致。否则，基于机器学习的算法并不能保证算法的有效性。此外，足够的训练样本（至少得几千张正样本、几千张负样本）也是保证训练算法有效性的一个前提条件。
【最全的】分类算法的性能度量指标
本文详细阐述了机器学习分类算法的性能度量指标，包括混淆矩阵、准确率、错误率、精准率、召回率、F1 Score、ROC曲线、AUC、KS曲线、Lift值、P-R曲线，以及在多分类问题中的宏平均、微平均和Kappa系数等指标。接下来，我们将逐一解释这些指标，并给出多分类问题的综合评价指标。
混淆矩阵 是用于理解分类错误的重要工具。矩阵非对角元素的值代表预测错误的情况。例如，真正例（TP）是指实际为正例且被正确预测为正例的样本，真反例（TN）是实际为反例且被正确预测为反例的样本，假正例（FP）是实际为反例却被错误预测为正例的样本，假反例（FN）是实际为正例却被错误预测为反例的样本。
准确率 是预测正确的样本比例，但存在类别不平衡数据时，准确率可能不能全面反映模型性能。
错误率 是测试样例中预测错误的比例，虽然直观，但忽视了错误样本的具体类别。
精准率（Precision）和召回率（Recall）分别衡量了预测结果和实际结果的准确性。精准率关注预测为正的样本中实际为正的比例，而召回率关注实际为正的样本中被正确预测的比例。两者通常存在权衡，F1 Score 是精准率和召回率的调和平均值，以兼顾两者的平衡。
ROC曲线 是用来评估分类模型性能的图表，横轴为假阳性率（FPR），纵轴为真阳性率（TPR），曲线越靠近左上角表示模型性能越好。同时，AUC（曲线下面积）提供了模型整体性能的量化指标。
KS曲线（Kolmogorov-Smirnov）值表示模型将正负样本区分开的能力，值越大，模型风险区分能力越强。
Lift值 比较模型预测效果与随机选择的差异，Lift值越大，模型预测效果越好。
P-R曲线 表现了精准率和召回率之间的关系，曲线越靠近右上角表示模型性能越好。
在多分类问题中，使用宏平均和微平均对模型性能进行综合评价。宏平均考虑每个类别的指标，而微平均基于所有样本计算指标。
Kappa系数 是衡量分类精度的指标，用于评估模型分类的一致性，系数范围为[-1,1]，值越高表示模型性能越好。
本文通过多分类实例展示了如何计算混淆矩阵、Kappa系数、宏平均、微平均等指标，为理解和评估机器学习分类算法提供了实用的指南。
