OpenCV機器學習筆記
KNN算法：
目的是分類，具體過程為，先訓練，這個訓練我估計只是對訓練數據進行一個存儲，knn測試的過程是根據測試樣例找出與這個樣例的距離最近的k個點，看這k個點中哪個分類所占的比例比較多，那麽這個樣例就屬於這個分類。所以我們要做的就是確定這個k，這個k是個超參數，所以需要手動測試。
具體使用方式為
1 knn = cv.KNearest() 2 3 knn.train(train_datas,train_labels) 4 5 ret,result,neighbours,dist = knn.find_nearest(test,k=5)
SVM算法：
支持向量機的目的是擬合出一條決策邊界，使得邊界兩端的數據可以被分開從而得到分類的目的，訓練的目的就是得到支持向量，支持向量是用來劃定邊界的，具體我也講不清楚，但大致是理解的。
使用方法大致如下
1 svm_params = dict( kernel_type = cv2.SVM_LINEAR,
2
3 svm_type = cv2.SVM_C_SVC,
4
5 C=2.67, gamma=5.383 )
6
7 svm = cv.SVM()
8
9 svm.train(train_data,responses,svm_params)
10
11 svm.save("svm_data.dat")
12
13 result = svm.predict_all(test)
要提到的就是這裏kernel_type、svm_type、C、gamma
C: 目標函數的懲罰系數C，用來平衡分類間隔margin和錯分樣本的，default C = 1.0；
kernel：參數選擇有RBF, Linear, Poly, Sigmoid, 默認的是”RBF”;
gamma：核函數的系數(‘Poly’, ‘RBF’ and ‘Sigmoid’), 默認是gamma = 1 / n_features;
svm_type 這裏用的SVC就是分類
K-Means算法：
假設你要將數據分為2組，那麽算法會隨機選擇兩個中心C1和C2，計算每個點到兩個中心的距離，如果更接近C1，就標記為0，接近C2，就標記為1，如果更多分組就標記為2、3等等，然後計算所有被標記為0的向量的平均值，用這個平均值作為新的中心，同理標記為1的也是，如此往復，直到兩個中心點收斂到固定點，或者我們設定最大叠代次數或達到特定的精度停止，最終會讓這些數據點與其對應的之心之間的距離之和最小。
下面是具體使用方法
1 criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER,10,1.0) 2 flags = cv.KMEANS_RANDOM_CENTERS 3 compactness,labels,centers = cv.kmeans(z,2,None,criteria,10,flags)
輸入的參數依此為
1. samples np.float32類型的訓練數據
2. nclusters(K) 需要分類的數目
3. critria 滿足終止的條件，滿足這個條件，就停止叠代
第一個參數
cv.TERM_CRITERIA_EPS - 達到精度epsilon就停止叠代
cv.TERM_CRITERIA_MAX_ITER - 達到最大叠代次數max_iter就停止叠代
cv.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER - 滿足上述任何條件停止叠代
第二個參數
max_iter - 最大叠代次數
第三個參數
epsilon - 要求的精度
4. attempts: 使用flag指定的算法初始執行算法的次數，估計是通過多次初始化得到一個準確值。
5. flags : 指定初始的中心點的方式，通常又兩種方式，cv.KMEANS_PP_CENTERS和cv.KMEANS_RANDOM_CENTERS
返回的參數為
1.compactness : 每個點到其相應中心的平方距離之和
2. labels : 標簽數組，其中每個元素標記為0、1、2等等
3. centers : 各組集群的中心
OpenCV機器學習筆記