简介
KNN是很多人接触机器学习的第一个算法，我也不例外。在利用OpenCV (C++)结合KNN处理MNIST数据，遇到了很多的坑，在这里和各位分享一下心得。
完整代码在这里，喜欢的可以Star，不喜欢的可以提建议！
环境是MacOS + OpenCV4
关键步骤概览
关键步骤的代码取自于我实现的部分，这里只是阐述关键步骤和一些心得，详细地可以看我代码，比较容易看懂的！
- 获得MNIST的训练集(包含图片和数据)
bool get_train_images_with_label_from_mnist(cv::Ptr<cv::ml::TrainData> &trainData)
- 获得MNIST的测试集(包含图片和数据)
bool get_test_images_with_label_from_mnist(cv::Mat &testData, cv::Mat &testLabel)
- 创建KNN模型，并设定一些基本的参数。
Ptr<ml::KNearest> knn_model = ml::KNearest::create();
knn_model->setDefaultK(K_value); // 指明KNN的K
knn_model->setIsClassifier(true); // 指明这个KNN是用来分类的
knn_model->setAlgorithmType(cv::ml::KNearest::Types::BRUTE_FORCE);
- 训练刚刚创建的KNN模型
knn_model->train(training_set, 0); // 利用训练集训练KNN
- 用
findNearest进行预测
knn_model->findNearest(test_set, knn_model->getDefaultK(), result_set);
注意： 这里的result_set的结果返回的是CV_32F的类型，也就是说里面的元素是32位的float，可能会和我们之后用的标记(可能会用int32_t来存储)，所以需要static_cast。
- 利用测试集的标记
testLabel和result_set的比较来计算预测准确率。(如果它们类型不一样，比如一个是float32，另一个是int32，请记得cast)
如何处理MNIST数据集
这里给出3个关键的提示
MNIST 数据集是用大端的方式存储的，用Intel处理器的PC机一般是小端存储的，需要做转换。
cv::ml::TrainData::create()只能处理CV_32F类型的，也就是32位float, 但是NMIST中的像素是用unsigned byte存的。MNIST中的图片是二维的，但你需要把它转存成一维的数组以便于它被
cv::Mat处理。
完整代码
再说一遍，完整代码位置:
https://github.com/VinStarry/CV_codes/tree/master/elementary/knn
测试结果
准确率与K的取值散点图
knn_accuracy.png
错误结果示例
-
预测结果:9， 实际数字:4
knn_wrongcase_1.jpg -
预测结果:6，实际数字:4
knn_wrongcase_2.jpg -
预测结果:8，实际数字:9
knn_wrongcase_3.jpg
