使用 OpenCV 实现 k-NN

标题

使用k-NN算法进行预测类别

根据已知的的两种（蓝队和红队）数据坐标点用k-NN算法进行判别：
离哪一队越近，越有可能是哪队
import numpy as np
import cv2
import matplotlib.pyplot as plt

#生成训练数据
plt.style.use(‘ggplot’)
np.random.seed(42) # 固定随机数生成器的种子值
single_data_point = np.random.randint(0, 100, 2)
single_label = np.random.randint(0, 2)
#把上述过程包装成函数，输入是要生成数据点个数和特征数
def generate_data(num_samples, num_features=2):
data_size = (num_samples, num_features)
data = np.random.randint(0, 100, size=data_size)
labels_size = (num_samples, 1)
labels = np.random.randint(0, 2, size=labels_size)
return data.astype(np.float32), labels
train_data, labels = generate_data(11)
#一次显示所有训练数据集：
def plot_data(all_blue, all_red):
plt.scatter(all_blue[:, 0], all_blue[:, 1], c=‘b’, marker=‘s’, s=180) # 'c’代表颜色， 's’表示size in points^2 默认为20， ‘marker’表示MarkerStyle 默认为’o’。
plt.scatter(all_red[:, 0], all_red[:, 1], c=‘r’, marker=’^’, s=180) # 同理
plt.xlabel(‘x coordinate (feature 1)’)
plt.ylabel(‘y coordinate (feature 2)’)
plt.show()

blue = train_data[labels.ravel() == 0]
red = train_data[labels.ravel() == 1]
plot_data(blue, red)
#训练分类器：
knn = cv2.ml.KNearest_create()
knn.train(train_data, cv2.ml.ROW_SAMPLE, labels)
newcomer, _ = generate_data(1)
plot_data(blue, red)
plt.plot(newcomer[0, 0], newcomer[0, 1], ‘go’, markersize=10);
plt.show()
ret, results, neighbor, dist = knn.findNearest(newcomer, 1)
print(“Predicted label:\t”, results)
print(“Neighbor’s label:\t”, neighbor)
print(“Distance to neighbor:\t”, dist)
#运行结果（对应图片）：



#此为本人第一遍博客如果有什么不足之处请留言指出，希望大家多多包涵，共同进步。