如何使用Python实现OpenCV中的K近邻算法？

本文共计4168个文字，预计阅读时间需要17分钟。

K近邻算法通过将经验提供给算法，可以基于经验数据生成模型。面对新情况时，模型能为我们提供判断（预测）结果。同时，反射对象（事件）在某个方面的表现或性质被称为属性。

K近邻

把经验提供给算法，它能够根据经验数据产生模型。在面对新的情况时，模型会为我们提供判断（预测）结果。

反映对象（事件）在某个方面的表现或者性质的事项，被称为属性或特征

具体的值，如反映身高的“188 cm”，就是特征值或属性值。

这组数据的集合称为数据集，其中每个数据称为一个样本。

从数据中学得模型的过程称为学习（learning）或者训练（training）。

在训练过程中所使用的数据称为训练数据，其中的每个样本称为训练样本，训练样本所组成的集合称为训练集。

如果希望获取一个模型，除了有数据，还需要给样本贴上对应的标签（label）。将拥有了标签的样本称为“样例”。

学得模型后，为了测试模型的效果，还要对其进行测试，被测试的样本称为测试样本。

输入测试样本时，并不提供测试样本的标签（目标类别），而是由模型决定样本的标签（属于哪个类别）。比较测试样本预测的标签与实际样本标签之间的差别，就可以计算出模型的精确度。

K近邻算法主要用于将对象划分到已知类中

理论基础

K近邻算法的本质是将指定对象根据已知特征值分类。

为了确定分类，需要定义特征。

为了提高算法的可靠性，在实施时会取k个近邻点，这k个点中属于哪一类的较多，然后将当前待识别点划分为哪一类。