Decision trees (деревья решений) в OpenCV

У меня есть таблица с данными о погоде и количестве лесных пожаров в некоторые дни в некотором регионе:

Температура | Влажность | Скорость ветра | ... | Количество лесных пожаров


Все данные представлены в виде чисел.

Требуется по этим данным построить дерево решений, и, с помощью него и входных параметров (температура, влажность, скорость ветра, и т.д.) спрогнозировать количество лесных пожаров.

Для работы с деревьями решений в OpenCV есть класс CvDTree. Для построения дерева решений в данном классе есть метод train:

boolean train(Mat trainData, int tflag, Mat responses) 


Как (каким образом и в каком порядке) преобразовать мои входные данные в Mat trainData?

Возможно, отвечающему поможет обсуждение по этой ссылке
    

Ответы

Ответ 1

Сделал небольшой пример (можно посмотреть тут https://github.com/NorsaG/OpenCVExample)

Некоторые мысли по задаче:


выбор инструмента (лично мое мнение - есть более удачные решения, тот
же xgboost или  spark mllib) 
выбор критерия (определять число -
задача сложная, а вот факт преодоления определённой границы нет)
Тестовые данные из головы, поэтому не сильно видны какие либо зависимости (даже очевидные для нас).
ненавижу нативные инструменты для java :) Кроме того, похожий код (с
минимальными исправлениями в виде имен классов) полностью отказался
работать на последней версии либы.


package org.firerate;

import org.opencv.core.Core;
import org.opencv.core.CvType;
import org.opencv.core.Mat;
import org.opencv.ml.CvRTParams;
import org.opencv.ml.CvRTrees;

import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Paths;
import java.util.List;


public class FireRateExample {
    static {
        System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
    }
private static final int[] OFFSETS = {0, 5, 9}; // границы чисел. будем проверять и прогнозировать эти ситуации

public static void main(String[] args) throws IOException {
// загружаем данные
    List csv = loadFile("fire_test.txt");
    CvRTrees tree;
    // настройка параметров. с этим можно долго и упорно играться, подгоняя так или иначе под модель
    CvRTParams params = new CvRTParams();
    params.set_max_depth(2);

    Mat trainData;
    Mat labels;
    // строим модель для ситуаций: кол-во пожаров > 0, > 5 и > 9
    for (int offset : OFFSETS) {
        tree = new CvRTrees();
        // создаем матрицу тренировочных данных размерности: х-1 чтобы отбросит
названия колонок, 3 - количество критериев (CvType.CV_32F - тип данных)
        trainData = new Mat(csv.size() - 1, 3, CvType.CV_32F);
        // классификатор -> 0 или 1 (в нашем случае - количество пожаров больше определенного значения? проставляться будет позднее)
        labels = new Mat(csv.size() - 1, 1, CvType.CV_32S);
        // загружаем построчно данные и проставляем их в матрицы
        for (int i = 1; i < csv.size(); i++) {
            String line = csv.get(i);
            String[] str = line.split(",");
            trainData.put(i - 1, 0, new float[]{Float.valueOf(str[0]), Float.valueOf(str[1]), Float.valueOf(str[2])});
            labels.put(i - 1, 0, new int[]{Integer.valueOf(str[3]) > offset ? 1 : 0});
        }
        // тренируем и тестируем модель
        // 1-й параметр: входная модель без класса
        // 2-й параметр: тип входных данных (колонки(0) или строки(1))
        // 3-й параметр: значения для входных данных
        // tree.train(trainData, 1, labels);
        // 8-й параметр: параметры дерева
        tree.train(trainData, 1, labels, new Mat(), new Mat(), new Mat(), new Mat(), params);
        testModel(tree, offset);
    }
}


private static List loadFile(String fileName) throws IOException {
    return Files.readAllLines(Paths.get(fileName));
}

private static void testModel(CvRTrees tree, int offset) {
    System.out.println("!!!!! Test model with count of fires more than " + offset + "!!!!!");
    //пример. номер примера, температура, влажность, сила ветра
    testExample(tree, offset, 1, 28, 0.20f, 3);
    testExample(tree, offset, 2, 28, 0.90f, 3);

    testExample(tree, offset, 3, 35, 0.80f, 3);
    testExample(tree, offset, 4, 20, 0.80f, 3);

    testExample(tree, offset, 5, 25, 0.70f, 1);
    testExample(tree, offset, 6, 25, 0.70f, 6);
    System.out.println("!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!");
}


private static void testExample(CvRTrees tree, int offset, int number, float temp, float humidity, float wind) {
    Mat ex = new Mat(1, 3, CvType.CV_32F);
    ex.put(0, 0, new float[]{temp, humidity, wind});

    System.out.println("Example " + number + "(count of fires -> " + offset + "): " + ex.dump());
    // предсказываем событие. 1 - событие произойдет
    // в нашем случае означает, что произойдет  число пожаров
    System.out.println(tree.predict(ex));
    // вероятность события (появления 1)
    System.out.println(tree.predict_prob(ex));
}


}