TensorFlow JS单类KNN分类器如何获取准确率及实现有效分类

针对你用TensorFlow JS KNN分类器单类别训练时置信度恒为1的问题，这里提供几个实用解决思路：

1. 补充"未知类"负样本，适配KNN多类逻辑 #

KNN的置信度计算依赖多类样本的对比，单类别场景下无法区分匹配度差异。你可以：

• 收集一批不属于目标类的图像（比如随机风景、其他物体），标记为"unknown"类别；
• 训练时同时喂入目标类（如"target"）和"unknown"类的样本；
• 推理时，若"target"类的置信度远高于"unknown"（比如差值超过0.6，或"target"置信度>0.8），则判定为已知类，否则归为未知。

2. 基于特征相似度阈值做判断（绕开KNN多类限制） #

直接用预训练模型提取图像特征，通过对比特征相似度来区分已知/未知：

• 用mobilenet.load()加载预训练特征提取模型，去掉顶层分类层；
• 训练阶段：提取所有目标类样本的特征，计算平均特征向量；
• 推理阶段：提取输入图像的特征，和平均特征计算余弦相似度（或欧氏距离）：

  // 计算余弦相似度
  function cosineSimilarity(vecA, vecB) {
    const dot = tf.sum(tf.multiply(vecA, vecB));
    const normA = tf.norm(vecA);
    const normB = tf.norm(vecB);
    return dot.div(normA.multiply(normB)).dataSync()[0];
  }
  

• 设定阈值（如相似度>0.75），超过则判定为已知类，否则为未知。

3. 自定义KNN的置信度计算逻辑 #

如果一定要用KNN分类器，修改其输出逻辑，基于目标类的匹配准确率判断：

• 训练时仍用单类别，但推理时，获取输入样本与KNN中所有目标类训练样本的相似度；
• 计算这些相似度的平均值，或统计相似度超过某阈值的样本占比；
• 用这个统计值作为"匹配准确率"，而非KNN默认的单类置信度，再设定阈值区分已知/未知。

内容的提问来源于stack exchange，提问作者engageub