Python cuml.neighbors.KNeighborsRegressor用法及代码示例

用法:
class cuml.neighbors.KNeighborsRegressor(*, weights='uniform', handle=None, verbose=False, output_type=None, **kwargs)

K-Nearest Neighbors Regressor 是一种基于实例的学习技术，它保留训练样本以进行预测，而不是尝试学习一组可泛化的模型参数。

K-Nearest Neighbors Regressor 将计算 k 个最近邻居的标签平均值并将其用作标签。

参数：

n_neighbors：int(默认值=5): 要查询的默认邻居数
algorithm：字符串(默认='brute'): 要使用的查询算法。目前，仅支持‘brute’。
metric：字符串(默认='欧几里得')。: 要使用的距离度量。
weights：字符串(默认='统一'): 要使用的样本权重。目前只支持统一策略。
handle：cuml.Handle: 指定 cuml.handle 保存用于此模型中计算的内部 CUDA 状态。最重要的是，这指定了将用于模型计算的 CUDA 流，因此用户可以通过在多个流中创建句柄在不同的流中同时运行不同的模型。如果为 None，则创建一个新的。
verbose：int 或布尔值，默认=False: 设置日志记录级别。它必须是 cuml.common.logger.level_* 之一。有关详细信息，请参阅详细级别。
output_type：{‘input’, ‘cudf’, ‘cupy’, ‘numpy’, ‘numba’}，默认=无: 用于控制估计器的结果和属性的输出类型的变量。如果为 None，它将继承在模块级别设置的输出类型 cuml.global_settings.output_type 。有关详细信息，请参阅输出数据类型配置。

注意：

有关其他文档，请参阅 scikitlearn’s KNeighborsClassifier 。

例子：

from cuml.neighbors import KNeighborsRegressor

from sklearn.datasets import make_blobs
from sklearn.model_selection import train_test_split

X, y = make_blobs(n_samples=100, centers=5,
                  n_features=10)

knn = KNeighborsRegressor(n_neighbors=10)

X_train, X_test, y_train, y_test =
  train_test_split(X, y, train_size=0.80)

knn.fit(X_train, y_train)

knn.predict(X_test)

输出：

array([3.        , 1.        , 1.        , 3.79999995, 2.        ,
       0.        , 3.79999995, 3.79999995, 3.79999995, 0.        ,
       3.79999995, 0.        , 1.        , 2.        , 3.        ,
       1.        , 0.        , 0.        , 0.        , 2.        ,
       3.        , 3.        , 0.        , 3.        , 3.79999995,
       3.79999995, 3.79999995, 3.79999995, 3.        , 2.        ,
       3.79999995, 3.79999995, 0.        ])

属性：

y：

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cuml.neighbors.KNeighborsRegressor。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。