cv2机器学习-K近邻（KNN）

最新推荐文章于 2025-06-08 09:18:59 发布

cchangcs

最新推荐文章于 2025-06-08 09:18:59 发布

阅读量2.6k

点赞数 4

CC 4.0 BY-SA版权

分类专栏： Machine Learning Opencv(CV2)学习与实战文章标签： cv2 OpenCV K近邻

本文链接：https://blog.youkuaiyun.com/github_39611196/article/details/81218563

Opencv(CV2)学习与实战同时被 2 个专栏收录

64 篇文章 ¥19.90 ¥99.00

订阅专栏

Machine Learning

5 篇文章

订阅专栏

本文详细介绍了如何使用cv2模块的K近邻（KNN）算法进行分类。通过示例展示了KNN的工作原理，包括距离权重的影响以及k值的选择。并应用KNN进行手写数字识别，展示了训练过程和预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本篇博客主要介绍cv2模块机器学习部分中的K近邻，k近邻即根据k各最近的值进行分类的方法，即KNN。在KNN中，距离近的具有更高的权重值，k的取值最好为奇数。

# encoding:utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt

# Feature:设置为25行2列的包含（x,y)的已知的训练数据
trainData = np.random.randint(0, 100, (25, 2)).astype(np.float32)
# print(trainData)
# labels:设置为0:代表Red， 1：代表Blue
labels = np.random.randint(0, 2, (25, 1)).astype(np.float32)
# print(labels)

# 找出红色并绘制
# print(labels.ravel())
red = trainData[labels.ravel() == 0]    # ravel()降维
plt.scatter(red[:, 0], red[:, 1], 80, 'r', '^')  # 绘制三角散点图
# 找出蓝色并绘制
blue = trainData[labels.ravel() == 1]
plt.scatter(blue[:, 0], blue[:, 1], 80, 'b', 's')


# 测试数据被标记为绿色
'''
返回值包括：
1、由KNN算法计算得到的测试数据的类别标志0或1，
如果想要使用最近邻算法，只需将k置为1。
2、k个最近邻居的类别标志。
3、每个最近邻居到测试数据的距离
'''
ne

了解本专栏