knn 图像分类，精度差

如何解决knn 图像分类，精度差

我有一个用于图像分类的 knn 算法。在 trainImages 中我有用于训练的图像，在 trainLabels 中它们的标签、validationImages 和 validationLabels 用于测试

import imageio
import glob
import numpy as np
import os
import csv

trainImages = []
for imagePath in glob.glob('C:/Users/razva/*.png'):
     image = imageio.imread(imagePath)
     trainImages.append(image)
trainImages = np.array(trainImages)
trainImages = trainImages[:,0]

f = open('C:/Users/razva/train.txt')
trainLabels = f.readlines()
for i in range(len(trainLabels)):
     trainLabels[i] = int(trainLabels[i][11])
trainLabels = np.array(trainLabels)

validationImages = []
for imagePath in glob.glob('C:/Users/razva/*.png'):
     image = imageio.imread(imagePath)
     validationImages.append(image)
validationImages = np.array(validationImages)

f = open('C:/Users/razva/validation.txt')
validationLabels = f.readlines()
for i in range(len(validationLabels)):
     validationLabels[i] = int(validationLabels[i][11])
validationLabels = np.array(validationLabels)
validationImages = validationImages[:,0]

class ImageIdentifier:
     def __init__(self,trainImages,trainLabels):
          self.trainImages = trainImages
          self.trainLabels = trainLabels

     def classify(self,testImage,bins = 5):
          distances = np.sum(np.abs(trainImages - testImage),axis = -1)

          index = np.argsort(distances)

          neighbors = self.trainLabels[index[:bins]]

          x = np.bincount(neighbors)

          return np.argmax(x)

p = ImageIdentifier(trainImages,trainLabels)

with open('output.csv','w') as file:
     writer = csv.writer(file)
     writer.writerow(['id','label'])

     nr = 0
     for i in range(len(validationLabels)):
          writer.writerow([i,p.classify(validationImages[i])])
          if validationLabels[i] == p.classify(validationImages[i]):
               nr += 1
print(nr / 5000)

我只得到了 17%。我做错了什么？我尝试对训练数据进行归一化，但准确率并未提高。

解决方法

KNN 没有详细说明特定类的属性。它只是发现（可以说）每个像素值的差异，而不是特征。 KNN 在以列作为属性的数据（表格数据）上效果更好，其中每个属性都定义了一个特定的特征。但在图像情况下，每个像素值都没有定义特定的特征。就像人的鼻子会位于不同图像中的不同像素位置。您应该使用深度学习以获得更好的结果（特别是 CNN）。

我很抱歉我的英语不好。我希望我已经传达了信息。

快乐学习！