new_org/team-learning-program
2
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Add files via upload

Browse Source
This commit is contained in:
Yurk
2021-11-12 19:34:56 +08:00
committed by GitHub
parent 56966174fe
commit 09a210a1b2
1 changed files with 233 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files

233
IOS/Task02：项目练习/ARKit小demo/ARKit+Swift 版本的机器学习算法 k-NN.md Normal file
View File

@@ -0,0 +1,233 @@
# ARKit+Swift 版本的机器学习算法 k-NN
> 本文原链接：[https://www.iosdevlog.com](https://www.iosdevlog.com/)，特别鸣谢：贾献华 的开源贡献
## 维基介绍
在[模式识别](https://zh.wikipedia.org/wiki/模式识别)领域中，**最近邻居法**（**KNN**算法，又译**K-近邻算法**）是一种用于[分类](https://zh.wikipedia.org/wiki/分类问题)和[回归](https://zh.wikipedia.org/wiki/迴歸分析)的[非参数统计](https://zh.wikipedia.org/wiki/無母數統計)方法[[1\]](https://zh.wikipedia.org/wiki/最近鄰居法#cite_note-1)。在这两种情况下，输入包含[特征空间（Feature Space）](https://zh.wikipedia.org/w/index.php?title=特徵空間(機器學習)&action=edit&redlink=1)中的***k\***个最接近的训练样本。
- 在*k-NN分类*中，输出是一个分类族群。一个对象的分类是由其邻居的“多数表决”确定的，*k*个最近邻居（*k*为正[整数](https://zh.wikipedia.org/wiki/整数)，通常较小）中最常见的分类决定了赋予该对象的类别。若*k* = 1，则该对象的类别直接由最近的一个节点赋予。
- 在*k-NN回归*中，输出是该对象的属性值。该值是其*k*个最近邻居的值的平均值。
最近邻居法采用向量空间模型来分类，概念为相同类别的案例，彼此的相似度高，而可以借由计算与已知类别案例之相似度，来评估未知类别案例可能的分类。
K-NN是一种[基于实例的学习](https://zh.wikipedia.org/w/index.php?title=基于实例的学习&action=edit&redlink=1)，或者是局部近似和将所有计算推迟到分类之后的[惰性学习](https://zh.wikipedia.org/w/index.php?title=惰性学习&action=edit&redlink=1)。k-近邻算法是所有的[机器学习](https://zh.wikipedia.org/wiki/机器学习)算法中最简单的之一。
无论是分类还是回归，衡量邻居的权重都非常有用，使较近邻居的权重比较远邻居的权重大。例如，一种常见的加权方案是给每个邻居权重赋值为1/ d，其中d是到邻居的距离。[[注 1\]](https://zh.wikipedia.org/wiki/最近鄰居法#cite_note-2)
邻居都取自一组已经正确分类（在回归的情况下，指属性值正确）的对象。虽然没要求明确的训练步骤，但这也可以当作是此算法的一个训练样本集。
k-近邻算法的缺点是对数据的局部结构非常敏感。本算法与[K-平均算法](https://zh.wikipedia.org/wiki/K-平均算法)（另一流行的机器学习技术）没有任何关系，请勿与之混淆。
## ARKit + Swift + k-NN 实现
创建 KNN 类（结构体 `struct` 也行，我是为了 与 `sklearn` 尽量一致）。
```
/// KNN
public struct KNN<Feature, Label: Hashable> {
}
```
属性
```
/// Number of neighbors to use by default for :meth:`kneighbors` queries
private var k: Int
/// Data set
private var X = [Feature]()
/// Target values
private var y = [Label]()
/// distance
private let distanceMetric: (_ x1: Feature, _ x2: Feature) -> Double
/// draw radius for debug
public var debugRadiusCallback: (([Double]) -> ())? = nil
```
数据：
- `k`: 指定取 k 个最接近的训练样本
- `X`: 样本特征 （数组）一般要传数组的数组
- `y`: 样本标签 （数组）
辅助：
- `distanceMetric`: 用来计算距离的函数
- `debugRadiusCallback`: 调度时候用，主要是画出最近的 k 个样本范围
## 方法
```
/// constructorLabels for xTest
///
/// - Parameters:
/// - k: k
/// - distanceMetric: distance
public init (k: Int, distanceMetric: @escaping (_ x1: Feature, _ x2: Feature) -> Double)
/// train
///
/// - Parameters:
/// - X: Training set
/// - y: Target values
public mutating func fit(X: [Feature], y: [Label])
/// Labels for xTest
///
/// - Parameter XTest: Test set
/// - Returns: Target values
public func predict(XTest: [Feature]) -> [Label]
```
- `init()`: 构造函数 需要预先决定 `k` 和距离计算方法
- `fit()`: 拟合目标函数，kNN 不需要拟合，只要记下数据即可
- `predict()`: 预测给定的特征，返回对应的标签
## 计算距离
```
public struct Distance {
/// Helper function to calculate euclidian distance
///
/// - Parameters:
/// - x0: source coordinate
/// - x1: target coordinate
/// - Returns: euclidian distance
public static func euclideanDistance(_ x0: [Double], _ x1: [Double]) -> Double
// Convenience
public static func euclideanDistance() -> (([Double], [Double]) -> Double) {
return { self.euclideanDistance($0, $1) }
}
```
这里使用 欧式距离（Euclidean Distance）
KNN 使用：
```
func testKNN() {
let kNN = KNN<Double, Int>(k: 3)
let X = [[1.0], [2], [3], [4]]
let y = [0, 0, 1, 1]
kNN.fit(X, y)
let label = kNN.predict([[1.2], [3]])
XCTAssertEqual([0, 1], label)
}
```
## 显示2维
```
enum MLStep: Int {
case train
case predict
}
enum GeometryType: Int {
case box
case pyramid
case sphere
case cylinder
case cone
case tube
case torus
...
}
```
- `MLStep`： 分成 训练 和 预测 ，训练一次，可以一直预测。
- `GeometryType`： 定义几种形状，这里定义给 `ARKIT` 使用的
## KNNViewController
```
class KNNViewController: UIViewController {
let radius: CGFloat = 5
public var X: [[Double]] = []
public var y: [GeometryType] = []
public var XTest: [[Double]] = []
public var yTest: [GeometryType] = []
public var radiuses: [Double] = [] {
didSet {
for (center, r) in zip(XTest, radiuses) {
drawCircle(center: CGPoint(x: center[0], y: center[1]), radius: CGFloat(r))
}
}
}
public var predictLayers: [CALayer] = []
var model = KNN<[Double], GeometryType>(k: 1, distanceMetric: Distance.euclideanDistance())
@IBOutlet weak var kNNPickerView: UIPickerView!
@IBOutlet weak var panelView: UIView!
@IBOutlet weak var trainBarButtonItem: UIBarButtonItem!
var mlStep = MLStep.train {
didSet {
switch mlStep {
case .train:
trainBarButtonItem.title = "train"
default:
trainBarButtonItem.title = "predict"
}
}
}
...
}
```
添加 `Layer` 到 `panelView` 上实现类别，2D 只分了三个类别，分别用 方形（红），三角形（蓝），花形（绿）表示。
使用 `alpha` 表示预测类别，以预测样本为中心画一个圈，圈内为最近的 `k` 个样本。
```
func drawCircle(center: CGPoint, radius: CGFloat, alpha: CGFloat = 0.1) {
let r = self.radius + radius
let kNNCircleLayer = CAShapeLayer()
kNNCircleLayer.path = UIBezierPath(roundedRect: CGRect(x: center.x - r, y: center.y - r, width: r * 2, height: r * 2), cornerRadius: r).cgPath
kNNCircleLayer.fillColor = UIColor(red: 0.1, green: 0.1, blue: 0.1, alpha: alpha).cgColor
kNNCircleLayer.borderColor = UIColor(red: 0.8, green: 0.8, blue: 0.8, alpha: 1).cgColor
kNNCircleLayer.borderWidth = 1
panelView.layer.addSublayer(kNNCircleLayer)
}
```
圆内为 `k` 个样本。
## ARKit 实现
能 3D 展示多好，别急，下面就是用 `ARKit` 实现的 3D 版本。
```
class ARKNNViewController: UIViewController
```
基本实现和 `ARKNNViewController` 类似。
```
func drawSphere(center: SCNVector3, radius: Float) {
let geometry = SCNSphere(radius: CGFloat(radius) + self.radius)
geometry.firstMaterial?.diffuse.contents = UIColor(red: 0.1, green: 0.1, blue: 0.8, alpha: 0.7)
let node = SCNNode()
node.geometry = geometry
node.position = center
sceneView.scene.rootNode.addChildNode(node)
}
```
这是画最外面的范围球体，球体内为 `k` 个样本。
## 视频
b站视频：https://www.bilibili.com/video/av48647681/