解析C++版OpenCV里的机器学习
使用openCV的Knn定义在人工智能中，更确切地说在机器学习中，k最近邻方法是一种有监督的学习方法。在这个框架中，我们有一个由N个“输入－输出”对组成的训练数据库。为了估计与新输入x 相关联的输出，k最近邻方法包括根据要定义的距离（以相同的方式）考虑k个训练样本，其输入最接近新输入x
使用openCV的Knn
定义
在人工智能中，更确切地说在机器学习中，k最近邻方法是一种有监督的学习方法。在这个框架中，我们有一个由N个“输入－输出”对组成的训练数据库。为了估计与新输入x 相关联的输出，k最近邻方法包括根据要定义的距离（以相同的方式）考虑k个训练样本，其输入最接近新输入x。由于此算法基于距离，因此归一化可以提高其准确性。
方法
因此，要使用KNN方法进行分类，我们必须首先声明训练样本，或者可以说输入数据。
在声明了0和1矩阵之后，我们必须使用函数“RNG”将它们填充为随机值。
现在我们需要将两个类连接起来，以便进行学习。
训练
要进行训练，你必须首先使用以下代码行创建模型：
现在，我们将进行遍历整个图像的循环（我们选择的平面为500x500像素，以绘制不同类别的区域，当然也将点放置在它们的位置），然后学习模型的输出对于第一类将为0，对于第二类将为1。通过查找（或者可以说通过计算距离），我们用定义该像素属于此类的颜色填充图像的每个像素，这样就可以使边框可视化。因此，要进行训练，你必须首先使用以下代码行创建模型：
因此，你可以看到我们具有find＿nearest函数，该函数计算入口点与其他点之间的距离以查找邻居，然后该函数为第一个类返回0或为第二个返回1。最后，我们使用了条件块if，为每个类赋予特定的颜色。因此，通过执行这些步骤，我们进行了学习，找到了两个类，并且我们当然划定了边界，如图：
现在，如果我们想展示用于学习的样本，我们只需要把每个要点放在适当的位置即可，这样我们就可以了解学习是否做得很好。
这是样本表示后的输出图像：
可以看出，这两个类的界限是明确的，有一些点没有很好地分类，但总的来说，学习效果不错。
相关文章
AIGC热点
热点
-
19打开，有戏
