【模式识别】K-近邻分类算法KNN

最新推荐文章于 2022-01-14 20:55:14 发布

xiaowei_cqu

最新推荐文章于 2022-01-14 20:55:14 发布

阅读量4.9w

点赞数 23

分类专栏：【机器视觉】【模式识别】

本文链接：https://blog.csdn.net/xiaowei_cqu/article/details/23782561

版权

K-近邻（KNN）是一种简单的分类算法，通过找到训练集中与目标样本最接近的K个邻居来预测其类别。在OpenCV中，CvKNearest类提供了KNN的训练和预测功能。尽管KNN对异常值不敏感且分类效果好，但其计算复杂度高，不适用于大规模数据集。

摘要由CSDN通过智能技术生成

K-近邻（K-Nearest Neighbors, KNN）是一种很好理解的分类算法，简单说来就是从训练样本中找出K个与其最相近的样本，然后看这K个样本中哪个类别的样本多，则待判定的值（或说抽样）就属于这个类别。

KNN算法的步骤

计算已知类别数据集中每个点与当前点的距离；
选取与当前点距离最小的K个点；
统计前K个点中每个类别的样本出现的频率；
返回前K个点出现频率最高的类别作为当前点的预测分类。

OpenCV中使用CvKNearest

OpenCV中实现CvKNearest类可以实现简单的KNN训练和预测。

int main()
{
	float labels[10] = {0,0,0,0,0,1,1,1,1,1};
	Mat labelsMat(10, 1, CV_32FC1, labels);
	cout<<labelsMat<<endl;
	float trainingData[10][2];
	srand(time(0)); 
	for(int i=0;i<5;i++){
		trainingData[i][0] = rand()%255+1;
		trainingData[i][1] = rand()%255+1;
		trainingData[i+5][0] = rand()%255+255;
		trainingData[i+5][1] = rand()%255+255;
	}
	Mat trainingDataMat(10, 2, CV_32FC1