Python cuml.neighbors.KNeighborsRegressor用法及代碼示例

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

K-Nearest Neighbors Regressor 是一種基於實例的學習技術，它保留訓練樣本以進行預測，而不是嘗試學習一組可泛化的模型參數。

K-Nearest Neighbors Regressor 將計算 k 個最近鄰居的標簽平均值並將其用作標簽。

參數：

n_neighbors：int(默認值=5): 要查詢的默認鄰居數
algorithm：字符串(默認='brute'): 要使用的查詢算法。目前，僅支持‘brute’。
metric：字符串(默認='歐幾裏得')。: 要使用的距離度量。
weights：字符串(默認='統一'): 要使用的樣本權重。目前隻支持統一策略。
handle：cuml.Handle: 指定 cuml.handle 保存用於此模型中計算的內部 CUDA 狀態。最重要的是，這指定了將用於模型計算的 CUDA 流，因此用戶可以通過在多個流中創建句柄在不同的流中同時運行不同的模型。如果為 None，則創建一個新的。
verbose：int 或布爾值，默認=False: 設置日誌記錄級別。它必須是 cuml.common.logger.level_* 之一。有關詳細信息，請參閱詳細級別。
output_type：{‘input’, ‘cudf’, ‘cupy’, ‘numpy’, ‘numba’}，默認=無: 用於控製估計器的結果和屬性的輸出類型的變量。如果為 None，它將繼承在模塊級別設置的輸出類型 cuml.global_settings.output_type 。有關詳細信息，請參閱輸出數據類型配置。

注意：

有關其他文檔，請參閱 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)

輸出：

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.        ])

屬性：

y：

相關用法

注：本文由純淨天空篩選整理自rapids.ai大神的英文原創作品 cuml.neighbors.KNeighborsRegressor。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。