在opencv源代码中如何确定树桩分类器阈值？如何确定树桩的左右边的返回值？

源代码在opencv库里面的cvboost.cpp文件里面，宏ICV_DEF_FIND_STUMP_THRESHOLD( suffix, type, error )的总体思路是通过定义带参数的宏，把参数传递给宏内部的函数，然后进行一系列的计算，并最终根据一定的算法找到合适的阈值。具体解析如下：

#define ICV_DEF_FIND_STUMP_THRESHOLD( suffix, type, error )                              \
static int icvFindStumpThreshold_##suffix(                                               \
uchar* data, size_t datastep, //训练样本的  特征-样本数据                        \
uchar* wdata, size_t wstep, //wdata是样本的权重矩阵                               \
uchar* ydata, size_t ystep, //ydata是样本的类别矩阵                               \
uchar* idxdata, size_t idxstep, int num, //idxdata是样本根据特征值大小排序后的索引数据，样本按照特征值的大小升序排列  \
float* lerror, //左边不纯度                                                       \
float* rerror, //右边不纯度                                                       \
float* threshold, float* left, float* right,                                     \
float* sumw, float* sumwy, float* sumwyy )                                       \
{                                                                                        \
int found = 0;                                                                       \
float wyl  = 0.0F;                                                                   \
float wl   = 0.0F;                                                                   \
float wyyl = 0.0F;                                                                   \
float wyr  = 0.0F;                                                                   \
float wr   = 0.0F;                                                                   \
\
float curleft  = 0.0F;                                                               \
float curright = 0.0F;                                                               \
float* prevval = NULL;                                                               \
float* curval  = NULL;                                                               \
float curlerror = 0.0F;                                                              \
float currerror = 0.0F;                                                              \
\
int i = 0;                                                                           \
int idx = 0;                                                                         \
\
if( *sumw == FLT_MAX )                                                               \
{                                                                                    \
/* calculate sums */                                                             \
float *y = NULL;                                                                 \
float *w = NULL;                                                                 \
float wy = 0.0F;                                                                 \
\
*sumw   = 0.0F;                                                                  \
*sumwy  = 0.0F;                                                                  \
*sumwyy = 0.0F;                                                                  \
for( i = 0; i < num; i++ )                                                       \
{                                                                                \
idx = (int) ( *((type*) (idxdata + i*idxstep)) );//根据样本的数据和step确定其样本索引序号idx  \
w = (float*) (wdata + idx * wstep);                                          \
*sumw += *w;                        //计算权重和                              \
y = (float*) (ydata + idx * ystep);                                          \
wy = (*w) * (*y);                   //计算权重w和类别y的乘积                  \
*sumwy += wy;                                                                \
*sumwyy += wy * (*y);                                                        \
}                                                                                \
}                                                                                    \
\
for( i = 0; i < num; i++ )                                                           \
{                                                                                    \
idx = (int) ( *((type*) (idxdata + i*idxstep)) );                                \
curval = (float*) (data + idx * datastep);                                       \
/* for debug purpose */                                                         \
if( i > 0 ) assert( (*prevval) <= (*curval) );                                   \
\
wyr  = *sumwy - wyl；//计算在当前特征值以前的去除重复的特征值后的权重和类别乘积和\
wr   = *sumw  - wl;  //计算在当前特征值以前的去除重复的特征值后的权重和          \
\
if( wl > 0.0 ) curleft = wyl / wl;    //在剔除出有相同特征值的样本中，计算正样本比重（因为负样本的类别为0）\
else curleft = 0.0F;                                                             \
\
if( wr > 0.0 ) curright = wyr / wr;   //在未剔除出的样本中，计算正样本的权重和比重 \
else curright = 0.0F;                                                            \
\
error                                                                            \
\
if( curlerror + currerror < (*lerror) + (*rerror) )//如果当前的不纯度和小于原来的不纯度和\
{                                                                                \
(*lerror) = curlerror;                                                       \
(*rerror) = currerror;                                                       \
*threshold = *curval;                                                        \
if( i > 0 ) {
/************************树桩分类器的阈值：0.5*(当前特征值值与前一个特征值的和)*************************/
*threshold = 0.5F * (*threshold + *prevval); //阈值的大小为0.5*(当前特征值值与前一个特征值的和)  \
}                                                                            \
*left  = curleft;//树桩分类器的左边的返回值                                   \
*right = curright;//树桩分类器右边的返回值                                    \
found = 1;                                                                   \
}                                                                                \
\
do                                                                               \
{   //在计算参数时，也就是计算与当前特征值重复的特征值的相关参数                 \
wl  += *((float*) (wdata + idx * wstep));                                    \
wyl += (*((float*) (wdata + idx * wstep)))                                   \
* (*((float*) (ydata + idx * ystep)));                                   \
wyyl += *((float*) (wdata + idx * wstep))                                    \
* (*((float*) (ydata + idx * ystep)))                                    \
* (*((float*) (ydata + idx * ystep)));                                   \
}                                                                                \
while( (++i) < num &&                                                            \
( *((float*) (data + (idx =                                                  \
(int) ( *((type*) (idxdata + i*idxstep))) ) * datastep))                 \
== *curval ) );
/*
*do-while作用：计算与当前重复特征值的wl，wyl，wyyl。
*while括号里的含义是当i<num时，并且idxdata中的第++i个特征值与当前的特征值相等时，就执行
*do-while循环里的内容。对于同一个特征值，如果做阈值的话，对于分类结果只能是同一种情况
*，所以要跳过对同一个相等的特征值来确定阈值的情况，另一个作用是这样也无形中加快了训练
*过程。
*/
 \
--i;                                                                             \
prevval = curval;  //把当前特征值变成前一个，依次遍历所有的特征值，并最终选择一个最优的阈值 \
} /* for each value */                                                               \
\
return found;                                                                        \
｝