Python sklearn KNeighborsRegressor.kneighbors用法及代码示例

本文简要介绍python语言中 sklearn.neighbors.KNeighborsRegressor.kneighbors 的用法。

用法:

kneighbors(X=None, n_neighbors=None, return_distance=True)

找到一个点的K-neighbors。

返回每个点的邻居的索引和距离。

参数：

X：类似数组，形状 (n_queries, n_features) 或 (n_queries, n_indexed) 如果 metric == ‘precomputed’，默认=无

查询点或点。如果未提供，则返回每个索引点的邻居。在这种情况下，查询点不被认为是它自己的邻居。

n_neighbors：整数，默认=无

每个样本所需的邻居数。默认值是传递给构造函数的值。

return_distance：布尔，默认=真

是否返回距离。

返回：

neigh_dist：ndarray 形状(n_queries，n_neighbors)

表示点长度的数组，仅在return_distance=True 时出现。

neigh_ind：ndarray 形状(n_queries，n_neighbors)

人口矩阵中最近点的索引。

例子：

在下面的示例中，我们从表示数据集的数组构造一个 NearestNeighbors 类，并询问谁是最接近 [1,1,1] 的点

>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(n_neighbors=1)
>>> neigh.fit(samples)
NearestNeighbors(n_neighbors=1)
>>> print(neigh.kneighbors([[1., 1., 1.]]))
(array([[0.5]]), array([[2]]))

如您所见，它返回 [[0.5]] 和 [[2]]，这意味着该元素的距离为 0.5，并且是样本的第三个元素(索引从 0 开始)。您还可以查询多个点：

>>> X = [[0., 1., 0.], [1., 0., 1.]]
>>> neigh.kneighbors(X, return_distance=False)
array([[1],
       [2]]...)