5、机器学习中的分类算法：K近邻与朴素贝叶斯

K近邻与朴素贝叶斯分类算法解析

肥宅快乐水901

于 2025-09-21 15:50:38 发布

阅读量28

点赞数

CC 4.0 BY-SA版权

分类专栏：测试驱动的机器学习文章标签： K近邻算法朴素贝叶斯分类器面部特征检测

本文链接：https://blog.youkuaiyun.com/websocket5live/article/details/152394343

测试驱动的机器学习专栏收录该内容

16 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

机器学习中的分类算法：K近邻与朴素贝叶斯

1. K近邻算法在面部特征检测中的应用

1.1 面部特征提取

首先，我们需要对图像进行特征提取。以下是实现面部特征提取的代码：

# lib/face.rb
class Face
  include OpenCV
  MIN_HESSIAN = 600
  attr_reader :filepath
  def initialize(filepath)
    @filepath = filepath
  end
  def descriptors
    @descriptors ||= features.last
  end
  def keypoints
    @keypoints ||= features.first
  end
  private
  def features
    image = CvMat.load(@filepath, CV_LOAD_IMAGE_GRAYSCALE)
    param = CvSURFParams.new(MIN_HESSIAN)
    @keypoints, @descriptors = image.extract_surf(param)
  end
end

在这段代码中， MIN_HESSIAN 是一个任意设定的数值，建议取值在 400 到 800 之间。随着 MIN_HESSIAN 值的增加，SURF 算法检测到的特征数量会减少，但这些特征会更重要。我们从每个面部图像中提取 64 维的特征。