Opencv学习笔记 - 使用opencvsharp和knn进行手写识别训练和预测
2023-09-14 09:01:35 时间
一、KNN概述
在所有的机器学习算法中,K近邻(KNN)几乎是最简单的,而且它既可用于分类(预测离散的类别标签),也可用于回归(预测连续的实数值)。尽管简单,但事实证明在某些任务中KNN非常有效。因为KNN需要存储所有的训练样本,占用内存很大,所以速度相对较慢。因此在使用KNN之前,常常需要通过聚类降低训练集大小。
KNN是最简单的分类算法,也可以用于回归。对于待分类的样本,计算待预测样本和训练集中所有数据点的距离,将距离从小到大取前K个,哪个类别在前K个数据点中的数据最多,就认为待预测样本属于该类别。
1、样本的特征空间
在训练样本集中,每个样本x都是一个由nx个特征值构成的特征向量x=(x1, …,xnx),因此可以认为每个样本都在一个nx维特征空间内分布。例如,日常生活中所说的三维空间,通常是指由长、宽、高三个维度所构成的空间。三维空间中的每个样本x都可以用包含长、宽、高三个特征的特征向量x=(x1, x2, x3)来唯一描述,显然样本x的分布就是在长、宽、高三个维度的特征空间内的分布。
对于监督学习来说,每个样本都有一个标签y, 分类算法或回归算法的目的就是找到一个函数f,y=f(x),使得以足够高的精度逼近y。这样,当有一个新样本x-test时,就可以使用该函数确定其标签了。
2、向量之间的距离
样本在特征空间中的分布是用特征向量描述的,因此可以使用向量之间的距离来衡量样本与样本之间的相似程度。两个向量之间距离的计算,在数学上称为向量距离(Distance),
相关文章
- OpenCV变脸大法--'让妖怪现原形'(附源码)
- Java + opencv 实现人脸识别,图片人脸识别、视频人脸识别、摄像头实时人脸识别
- 基于opencv人脸识别
- C++版OpenCV使用神经网络ANN进行mnist手写数字识别[通俗易懂]
- OpenCV论道:为什么我的伽马校正函数只有一行?[通俗易懂]
- OpenCV-Python学习(4)—— OpenCV 图像对象的创建与赋值
- opencv下VideoWriter_fourcc()函数的作用:指定视频编码格式
- Java集成openCV实现图片背景切换
- OpenCV这么简单为啥不学——1.11、蓝背景证件照替换白色或红色
- OpenCv+Qt5.12.2:文字检测与文本识别
- opencv加载显示图像详解程序员
- 一步步搭建Linux环境并安装OpenCV(linux安装opencv)