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

• 操作系统：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分，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，即根据最近邻的类别来预测新样本的类别。

主要特点

• 分类与回归：既可以用于分类任务也可以用于回归任务。
• 参数设置：可以指定邻居的数量（k）、是否使用投票机制（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)：使用提供的训练数据进行训练。
  • train(const Mat& samples, int layout, const Mat& responses)：另一种形式的训练函数，直接接受样本和响应矩阵作为输入。
• 预测：
• 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。

使用步骤

• 准备数据：准备好你的训练数据集，包括特征向量及其对应的标签（对于分类任务）或目标值（对于回归任务）。
• 初始化 KNearest 模型：使用 cv::ml::KNearest::create() 创建一个新的 KNearest 模型实例，并根据需要设置参数。
• 训练模型：调用 train() 方法，传入你的训练数据来进行模型训练。
• 评估模型：可以通过交叉验证或者在独立的测试集上评估模型性能。
• 预测新数据：使用训练好的模型对新的未见过的数据进行预测，并获取其所属类别的概率分布或回归值。

代码示例

include <iostream>
#include <opencv2/ml.hpp>
#include <opencv2/opencv.hpp>using namespace cv;
using namespace cv::ml;
using namespace std;int main()
{// 准备训练数据Mat samples = ( Mat_< float >( 4, 2 ) << 0.5, 1.0, 1.0, 1.5, 2.0, 0.5, 1.5, 0.0 );Mat responses = ( Mat_< int >( 4, 1 ) << 0, 0, 1, 1 );// 创建并配置 KNearest 模型Ptr< KNearest > knn_model = KNearest::create();knn_model->setDefaultK( 3 );         // 设置默认的邻居数量为3knn_model->setIsClassifier( true );  // 设置为分类模式// 训练模型bool ok = knn_model->train( samples, ROW_SAMPLE, responses );if ( ok ){// 保存模型knn_model->save( "knn_model.yml" );// 对新样本进行预测Mat sample = ( Mat_< float >( 1, 2 ) << 1.6, 0.7 );Mat result, neighborResponses, dist;float response = knn_model->findNearest( sample, 3, result, neighborResponses, dist );cout << "The predicted response for the sample is: " << response << endl;cout << "Neighbor responses: " << neighborResponses << endl;cout << "Distances: " << dist << endl;}else{cerr << "Training failed!" << endl;}return 0;
}

运行结果

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