VS2017+OpenCV4.5.5 K近邻算法-评价纸巾的好坏

K近邻算法

K近邻算法（K-Nearest Neighbors，KNN）既可以处理分类问题，也可以处理回归问题。
KNN算法原理：
在训练样本集中，每个样本都是一个具有$n$个特征属性的向量，即$x=(x_1,x_2,...,x_n)$, 因此可认为每个样本在$n$特征空间或度量空间分布；同时，每个样本还有一个唯一属于他的标签$y$，机器学习的目的就要是找到一个函数满足 $y=f(x)$，这样，当有一个新样本$u$时，将其特征属性代入该目标函数即可确定他的标签。
KNN的任务就是，在训练样本集中，依据距离测度找到与测试样本最相似的那K个训练样本。
对于“分类”问题，我们多采用“多数表决”的方式来确定新样本$u$的最终分类，即这K个训练样本中，哪个分类的样本数最多，$u$就属于哪个分类。
对于“回归”问题，$u$的预测值$v$为：
$$v=\sum _{i=1}^K{y}_i/K$$

测试用例-评价纸巾好坏

#include
#include
#include
#include
#include
using namespace std;
using namespace cv;
using namespace cv::ml;
int main(int argc, char *argv[])
{
	//训练样本：耐酸性、强度、分类(好：1，差：-1）
	float trainData[24][2] = { {4,3}, {1,3},{3,3},{3,7},{3,4},{4,1},{1,4},{3,6},{3,7},{6,2},
		{4,6}, {4,4},{5,8},{7,8},{7,7},{10,5},{7,6},{4,10},{9,7},{5,4},{8,5},{6,6},{7,4}, {8,8}
	};
	Mat trainDataMat(24, 2, CV_32FC1, trainData);
	//cout << trainDataMat << endl;
	//训练样本的响应值,1代表G  -1代表B    
	int labels[24] = { 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,-1, -1, -1, -1, -1, -1, -1, -1,-1, -1, -1, -1, -1, -1};
	Mat labelsMat(24, 1, CV_32SC1, labels);
	//cout << labelsMat << endl;

	//创建KNN分类器
	Ptr<KNearest> knn_model = KNearest::create();;

	//创建TrainData并进行训练
	Ptr<TrainData> tData = TrainData::create(trainDataMat, ROW_SAMPLE, labelsMat);
	knn_model->train(tData);

	float myData[2] = {10,8};//测试样本
	Mat myDataMat(1, 2, CV_32FC1, myData);

	//利用训练好的分类器进行测试样本预测
	//int res = knn_model->predict(myDataMat);

	int K = 7;
	vector<float> predictions;
	;
	int res = knn_model->findNearest(myDataMat, K, predictions);
	for (size_t i = 0; i < K; i++)
	{
		cout << " " << predictions[i];
	}

	cout << endl << "The result is :  " << res << endl;
	knn_model.release();
	return 0;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47

预测结果为-1.