cv::ml::KNearest 类参考

该类实现了K-近邻模型。更多...

#include <opencv2/ml.hpp>

cv::ml::KNearest 的协作图

公共类型
枚举	类型 {   BRUTE_FORCE =1 ,   KDTREE =2 }
	KNearest 算法的实现。更多...
从 cv::ml::StatModel 继承的公共类型
枚举	标志 {   UPDATE_MODEL = 1 ,   RAW_OUTPUT =1 ,   COMPRESSED_INPUT =2 ,   PREPROCESSED_INPUT =4 }

公共成员函数
virtual float	findNearest (InputArray samples, int k, OutputArray results, OutputArray neighborResponses=noArray(), OutputArray dist=noArray()) const =0
	查找邻居并预测输入向量的响应。
virtual int	getAlgorithmType () const =0
virtual int	getDefaultK () const =0
virtual int	getEmax () const =0
virtual bool	getIsClassifier () const =0
virtual void	setAlgorithmType (int val)=0
virtual void	setDefaultK (int val)=0
virtual void	setEmax (int val)=0
virtual void	setIsClassifier (bool val)=0
从 cv::ml::StatModel 继承的公共成员函数
virtual float	calcError (const Ptr< TrainData > &data, bool test, OutputArray resp) const
	计算训练或测试数据集上的误差。
virtual bool	empty () const CV_OVERRIDE
	如果 算法 为空（例如在最开始或读取失败后），则返回 true。
virtual int	getVarCount () const =0
	返回训练样本中变量的数量。
virtual bool	isClassifier () const =0
	如果模型是分类器，则返回 true。
virtual bool	isTrained () const =0
	如果模型已训练，则返回 true。
virtual float	predict (InputArray samples, OutputArray results=noArray(), int flags=0) const =0
	预测提供的样本的响应
virtual bool	train (const Ptr< TrainData > &trainData, int flags=0)
	训练统计模型。
virtual bool	train (InputArray samples, int layout, InputArray responses)
	训练统计模型。
从 cv::Algorithm 继承的公共成员函数
	Algorithm ()
virtual	~Algorithm ()
virtual void	clear ()
	清除算法状态。
virtual String	getDefaultName () const
virtual void	read (const FileNode &fn)
	从文件存储中读取算法参数。
virtual void	save (const String &filename) const
void	write (const Ptr< FileStorage > &fs, const String &name=String()) const
virtual void	write (FileStorage &fs) const
	将算法参数存储到文件存储中。
void	write (FileStorage &fs, const String &name) const

静态公共成员函数
static Ptr< KNearest >	create ()
	创建空模型。
static Ptr< KNearest >	load (const String &filepath)
	从文件中加载并创建一个序列化的 KNearest。
从 cv::ml::StatModel 继承的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	train (const Ptr< TrainData > &data, int flags=0)
	使用默认参数创建并训练模型。
从 cv::Algorithm 继承的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。
template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	从字符串加载算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	从文件节点读取算法。

额外继承成员
从 cv::Algorithm 继承的保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

该类实现了K-近邻模型。

另请参见

K-近邻

成员枚举文档

类型

枚举 cv::ml::KNearest::Types

KNearest 算法的实现。

枚举器
BRUTE_FORCE
KDTREE

成员函数文档

create()

static Ptr< KNearest > cv::ml::KNearest::create ( )

static

Python
	cv.ml.KNearest.create(		) ->	retval
	cv.ml.KNearest_create(		) ->	retval

创建空模型。

该静态方法创建一个空的 KNearest 分类器。然后应使用 StatModel::train 方法对其进行训练。

findNearest()

virtual float cv::ml::KNearest::findNearest ( InputArray samples, int k, OutputArray 结果, OutputArray neighborResponses = noArray(), OutputArray dist = noArray() ) const

纯虚函数

Python
	cv.ml.KNearest.findNearest(	samples, k[, results[, neighborResponses[, dist]]]	) ->	retval, results, neighborResponses, dist

查找邻居并预测输入向量的响应。

参数

samples	按行存储的输入样本。它是一个单精度浮点矩阵，大小为 `<number_of_samples> * k`。
k	使用的近邻数量。应大于 1。
结果	包含每个输入样本的预测结果（回归或分类）的向量。它是一个单精度浮点向量，包含 `<number_of_samples>` 个元素。
neighborResponses	对应近邻的可选输出值。它是一个单精度浮点矩阵，大小为 `<number_of_samples> * k`。
dist	从输入向量到对应近邻的可选输出距离。它是一个单精度浮点矩阵，大小为 `<number_of_samples> * k`。

对于每个输入向量（矩阵样本的一行），该方法找到 k 个最近邻。在回归情况下，预测结果是特定向量的近邻响应的平均值。在分类情况下，类别通过投票确定。

对于每个输入向量，近邻按其到向量的距离进行排序。

在使用 C++ 接口时，您可以将输出指针指向空矩阵，函数将自行分配内存。

如果只传入一个输入向量，所有输出矩阵都是可选的，并且预测值将由方法返回。

此函数使用 TBB 库进行并行化。

此函数的调用图如下

getAlgorithmType()

virtual int cv::ml::KNearest::getAlgorithmType ( ) const

纯虚函数

Python
	cv.ml.KNearest.getAlgorithmType(		) ->	retval

算法类型，为 KNearest::Types 之一。

另请参见

setAlgorithmType

getDefaultK()

virtual int cv::ml::KNearest::getDefaultK ( ) const

纯虚函数

Python
	cv.ml.KNearest.getDefaultK(		) ->	retval

在 predict 方法中使用的默认近邻数量。

另请参见

setDefaultK

getEmax()

virtual int cv::ml::KNearest::getEmax ( ) const

纯虚函数

Python
	cv.ml.KNearest.getEmax(		) ->	retval

KDTree 实现的参数。

另请参见

setEmax

getIsClassifier()

virtual bool cv::ml::KNearest::getIsClassifier ( ) const

纯虚函数

Python
	cv.ml.KNearest.getIsClassifier(		) ->	retval

是否应训练分类或回归模型。

另请参见

setIsClassifier

load()

static Ptr< KNearest > cv::ml::KNearest::load ( const String & filepath )

static

Python
	cv.ml.KNearest.load(	filepath	) ->	retval
	cv.ml.KNearest_load(	filepath	) ->	retval

从文件中加载并创建一个序列化的 KNearest。

使用 KNearest::save 将 KNearest 序列化并存储到磁盘。通过使用文件路径调用此函数，可以再次从该文件加载 KNearest。

参数

filepath

序列化 KNearest 的路径

setAlgorithmType()

virtual void cv::ml::KNearest::setAlgorithmType ( int val )

纯虚函数

Python
	cv.ml.KNearest.setAlgorithmType(	val	) ->	无

另请参见

getAlgorithmType

setDefaultK()

virtual void cv::ml::KNearest::setDefaultK ( int val )

纯虚函数

Python
	cv.ml.KNearest.setDefaultK(	val	) ->	无

另请参见

getDefaultK

setEmax()

virtual void cv::ml::KNearest::setEmax ( int val )

纯虚函数

Python
	cv.ml.KNearest.setEmax(	val	) ->	无

另请参见

getEmax

setIsClassifier()

virtual void cv::ml::KNearest::setIsClassifier ( bool val )

纯虚函数

Python
	cv.ml.KNearest.setIsClassifier(	val	) ->	无

另请参见

getIsClassifier

---

此类的文档由以下文件生成

• opencv2/ml.hpp