使用openCV的Knn

定義

在人工智能中，更確切地說(shuō)在機(jī)器學(xué)習(xí)中，k最近鄰方法是一種有監(jiān)督的學(xué)習(xí)方法。在這個(gè)框架中，我們有一個(gè)由N個(gè)“輸入－輸出”對(duì)組成的訓(xùn)練數(shù)據(jù)庫(kù)。為了估計(jì)與新輸入x 相關(guān)聯(lián)的輸出，k最近鄰方法包括根據(jù)要定義的距離（以相同的方式）考慮k個(gè)訓(xùn)練樣本，其輸入最接近新輸入x。由于此算法基于距離，因此歸一化可以提高其準(zhǔn)確性。

方法

因此，要使用KNN方法進(jìn)行分類，我們必須首先聲明訓(xùn)練樣本，或者可以說(shuō)輸入數(shù)據(jù)。

在聲明了0和1矩陣之后，我們必須使用函數(shù)“RNG”將它們填充為隨機(jī)值。

現(xiàn)在我們需要將兩個(gè)類連接起來(lái)，以便進(jìn)行學(xué)習(xí)。

訓(xùn)練

要進(jìn)行訓(xùn)練，你必須首先使用以下代碼行創(chuàng)建模型：

現(xiàn)在，我們將進(jìn)行遍歷整個(gè)圖像的循環(huán)（我們選擇的平面為500x500像素，以繪制不同類別的區(qū)域，當(dāng)然也將點(diǎn)放置在它們的位置），然后學(xué)習(xí)模型的輸出對(duì)于第一類將為0，對(duì)于第二類將為1。通過(guò)查找（或者可以說(shuō)通過(guò)計(jì)算距離），我們用定義該像素屬于此類的顏色填充圖像的每個(gè)像素，這樣就可以使邊框可視化。因此，要進(jìn)行訓(xùn)練，你必須首先使用以下代碼行創(chuàng)建模型：

因此，你可以看到我們具有find＿nearest函數(shù)，該函數(shù)計(jì)算入口點(diǎn)與其他點(diǎn)之間的距離以查找鄰居，然后該函數(shù)為第一個(gè)類返回0或?yàn)榈诙�個(gè)返回1。最后，我們使用了條件塊if，為每個(gè)類賦予特定的顏色。因此，通過(guò)執(zhí)行這些步驟，我們進(jìn)行了學(xué)習(xí)，找到了兩個(gè)類，并且我們當(dāng)然劃定了邊界，如圖：

現(xiàn)在，如果我們想展示用于學(xué)習(xí)的樣本，我們只需要把每個(gè)要點(diǎn)放在適當(dāng)?shù)奈恢眉纯�，這樣我們就可以了解學(xué)習(xí)是否做得很好。

這是樣本表示后的輸出圖像：

可以看出，這兩個(gè)類的界限是明確的，有一些點(diǎn)沒(méi)有很好地分類，但總的來(lái)說(shuō)，學(xué)習(xí)效果不錯(cuò)。