引子

整个KNN已经完成，可视化的完成在该文章当中暂时不涉及，毕竟我理解的也还不完全，所以等到之后有空，敲完注释之后再在另外一篇博客里讲，或许那时候我还写出了，我现在所设想的图片像素块变化较大的检测并分割的函数呢。。。

在全篇代码当中引用的库（tkinter系列可以不用管，那是可视化的库）

全部的文件样式为：

前期数据预处理

以上是主函数里的变量准备，之后将会在函数当中使用

这个第一个函数–统一更改图片的名字，大小，并且保存在一个文件夹下，例：名字统一为：有害垃圾_1.jpg

第二个函数，是最重要的函数之一，理解它的功能就为之后理解我的整个思路打下了基础，
传入的地址只需要为大头文件即可（如印子中的文件截图）
我采用列表储存训练集和测试集的方式，将收集来统一命名的图片统一灰度化，再一致转化为矩阵，最后铺平，储存到训练集的大列表当中，最后的效果为，例：
【【【图片1矩阵】，图片1标签（有害垃圾），图片1的图片名，】【【图片2矩阵】，图片2标签（有害垃圾），图片2的图片名，】……】

KNN算法核心，排序，取前K个

这个是最主要的函数，实现KNN算法的核心，计算欧氏距离，然后将欧氏距离储存在训练集后方，运算完后效果为：【【【图片1矩阵】，图片1标签（有害垃圾），图片1的图片名，测试集1的欧氏距离，测试集2的欧氏距离……】【【图片2矩阵】，图片2标签（有害垃圾），图片2的图片名，测试集1的欧氏距离，测试集2的欧氏距离……】……】

这个是排序函数，对刚刚计算完的欧氏距离进行排序，取前K个后，用字典来储存结果，最后得到某个测试集图片的预测结果（这个排序函数用法：取一个列表当中的最小单元中的某一位数来进行排序，我这里取的是第test_1个欧氏距离进行排序），当然，这个函数每次调用只能对一张图片进行排序，得到一张测试集图片的预测成功与否，所以，在外部调用的之后要使用一个函数来遍历整个测试集

主函数部分（调用函数）

再放一边我准备的变量，但是这些变量很大一部分都是可视化部分，接口标签更改所要用到的专有变量，所以，大致有个印象就好了

这个是前期数据的准备和KNN算法的核心实现

这一段就是计算出在多个K当中最高的准确率，和最高准确率的K值
当然，后面的输出因为可视化没在控制台上显示，如果需要你们就print（K_Max,K_success）即可

可视化的结果展示

可视化的博客待我保证全部理解透了再一起敲出来，然后现在展示一下可视化结果的效果：






以及一些小彩蛋

后记

说实话KNN算法是真的很简单，但是在前期数据处理上倒是比较难的，还有排序，算法实现真的不难，我完成全部基础内容，在控制台上输出结果也就的75行代码左右就实现了，但是当我敲上可视化，敲上接口这些，代码就变成了三百多行。。。
唉~~挺累的，但是可算是完成作品全部内容啦！
我展示的代码大概总共90行左右，其他省略的（也许）会在不久的将来一起敲出来，暂时还不能发源代码，因为作品还没有验收
总之，我还有一个图像识别切割可以做。。。之后见

————软件部-机器学习-小麦

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！