KNeighborsClassifier引數說明KNeighborsClassifier(n_neighbors=5, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None, **kwargs)
n_neighbors：所選用的近鄰數，相當于K.
weights：預測的權函式，概率值，
weights的引數設定
‘uniform’：同一的權重，即每個鄰域中的所有點都是平均加權的，
‘distance’ ：這種情況下，距離越近權重越大，反之，距離越遠其權重越小，
[callable]（可呼叫）：用戶定義的函式，它接受一個距離陣列，并回傳一個包含權重的相同形狀的陣列
algorithm ：用于計算最近鄰居的演算法,，有{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}
‘auto’ ：根據樣本資料自動刷選合適的演算法，
‘ball_tree’：構建“球樹”演算法模型，
‘kd_tree’ ：‘’kd樹‘’演算法，
‘brute’ ：使用蠻力搜索，即或相當于Knn演算法，需遍歷所有樣本資料與目標資料的距離，進而按升序排序從而選取最近的K個值，采用投票得出結果，
leaf_size：葉的大小，針對演算法為球樹或KD樹而言，這個設定會影響構造和查詢的速度，以及存盤樹所需的記憶體，最優值取決于問題的性質，
metric：用于樹的距離度量，默認度量是Minkowski，p=2等價于標準的歐幾里德度量，有關可用度量的串列，可以查閱距離度量類的檔案，如果度量是“預先計算的”，則假定X是距離矩陣，在擬合期間必須是平方，
p：Minkowski度量引數的引數來自sklearn.emeics.pairwise.pairwise_距離，當p=1時，這等價于使用曼哈頓距離(L1)，歐幾里得距離(L2)等價于p=2時，對于任意的p，則使用Minkowski_距離(L_P)，
metric_params：度量函式的附加關鍵字引數，設定應為dict（字典）形式，
n_jobs：要為鄰居搜索的并行作業的數量，None指1，除非在 joblib.parallel_backend背景，-1意味著使用所有處理器，若要了解相關的知識應該具體查找一下，
方法：
|
fit(self, X[, y]) |
以X為訓練資料，y為目標值擬合模型 |
|
get_params(self[, deep]) |
獲取此估計器的引數， |
|
kneighbors(self[, X, n_neighbors, …]) |
找到點的K鄰域， |
|
kneighbors_graph(self[, X, n_neighbors, mode]) |
計算X中點的k-鄰域(加權)圖 |
|
predict(self, X) |
預測提供的資料的類標簽 |
|
predict_proba(self, X) |
回傳測驗資料X的概率估計， |
|
score(self, X, y[, sample_weight]) |
回傳給定測驗資料和標簽的平均精度， |
|
set_params(self, \*\*params) |
設定此估計器的引數， |
KNeighborsClassifier：
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
import pandas as pd
dataset = pd.read_csv('f:pycharm data/colors.csv',dtype = np.str)
#取所有特征列
x = dataset.iloc[:,:-1]
#取標簽列
y = dataset.iloc[:,-1]
#建立模型
model = KNeighborsClassifier(3)
#訓練模型
model.fit(x,y)
#預測
predict_data = https://www.cnblogs.com/qfwmy/p/[[3,3,2],
[1,3,2],
[5,2,5]]
result = model.predict(predict_data)
print(result)
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/112983.html
標籤：其他
上一篇：學云計算專業怎么樣