OpenCV机器学习（4）k-近邻算法（k-Nearest Neighbors, KNN）cv::ml::KNear ...

• 操纵系统：ubuntu22.04
  
• OpenCV版本：OpenCV4.9
  
• IDE:Visual Studio Code
  
• 编程语言：C++11
  

算法描述

cv::ml::KNearest 是 OpenCV 机器学习模块中的一部门，它提供了实现 k-近邻算法（k-Nearest Neighbors, KNN）的方法。KNN 是一种简单但功能强大的分类和回归算法，基于实例的学习方法，即根据最近邻的种别来猜测新样本的种别。
主要特点

• 分类与回归：既可以用于分类使命也可以用于回归使命。
  
• 参数设置：可以指定邻居的数目（k）、是否利用投票机制（对于分类）或平均值（对于回归）等。
  
• 距离度量：支持不同的距离度量方式，默认为欧几里得距离。
  

常用成员函数

以下是一些常用的 cv::ml::KNearest 类成员函数：

• 创建模型实例：
  create()：创建一个新的 KNearest 模型实例。
  
• 训练模型：
  
  
  
  • train(const Ptr& trainData, int flags=0)：利用提供的训练数据举行训练。
    
  • train(const Mat& samples, int layout, const Mat& responses)：另一种形式的训练函数，直接继承样本和响应矩阵作为输入。
    
  
  
• 猜测：
  
• findNearest(InputArray samples, int k, OutputArray results, OutputArray neighborResponses=noArray(), OutputArray dist=noArray()) -
  -const：找到最近的 k 个邻居，并返回结果、邻居的响应及距离（可选）。
  
• 保存与加载模型：
  
  
  
  • save(const String& filename)：将模型保存到文件。
    
  • load(const String& filename)：从文件加载模型。
    
  
  

利用步调

• 准备数据：准备好你的训练数据集，包罗特征向量及其对应的标签（对于分类使命）或目标值（对于回归使命）。
  
• 初始化 KNearest 模型：利用 cv::ml::KNearest::create() 创建一个新的 KNearest 模型实例，并根据必要设置参数。
  
• 训练模型：调用 train() 方法，传入你的训练数据来举行模型训练。
  
• 评估模型：可以通过交织验证或者在独立的测试集上评估模型性能。
  
• 猜测新数据：利用训练好的模型对新的未见过的数据举行猜测，并获取其所属种别的概率分布或回归值。
  

代码示例

1. include <iostream>
2. #include <opencv2/ml.hpp>
3. #include <opencv2/opencv.hpp>
5. using namespace cv;
6. using namespace cv::ml;
7. using namespace std;
9. int main()
10. {
11.     // 准备训练数据
12.     Mat samples = ( Mat_< float >( 4, 2 ) << 0.5, 1.0, 1.0, 1.5, 2.0, 0.5, 1.5, 0.0 );
14.     Mat responses = ( Mat_< int >( 4, 1 ) << 0, 0, 1, 1 );
16.     // 创建并配置 KNearest 模型
17.     Ptr< KNearest > knn_model = KNearest::create();
18.     knn_model->setDefaultK( 3 );         // 设置默认的邻居数量为3
19.     knn_model->setIsClassifier( true );  // 设置为分类模式
21.     // 训练模型
22.     bool ok = knn_model->train( samples, ROW_SAMPLE, responses );
23.     if ( ok )
24.     {
25.         // 保存模型
26.         knn_model->save( "knn_model.yml" );
28.         // 对新样本进行预测
29.         Mat sample = ( Mat_< float >( 1, 2 ) << 1.6, 0.7 );
30.         Mat result, neighborResponses, dist;
31.         float response = knn_model->findNearest( sample, 3, result, neighborResponses, dist );
33.         cout << "The predicted response for the sample is: " << response << endl;
34.         cout << "Neighbor responses: " << neighborResponses << endl;
35.         cout << "Distances: " << dist << endl;
36.     }
37.     else
38.     {
39.         cerr << "Training failed!" << endl;
40.     }
42.     return 0;
43. }

复制代码

运行结果

1. The predicted response for the sample is: 1
2. Neighbor responses: [1, 1, 0]
3. Distances: [0.19999997, 0.49999997, 1]

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。