Python sklearn KNeighborsRegressor用法及代碼示例

本文簡要介紹python語言中 sklearn.neighbors.KNeighborsRegressor 的用法。

用法:

class sklearn.neighbors.KNeighborsRegressor(n_neighbors=5, *, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None)

基於k-nearest 鄰居的回歸。

目標是通過對訓練集中最近鄰相關的目標進行局部插值來預測的。

在用戶指南中閱讀更多信息。

參數：

n_neighbors：整數，默認=5

kneighbors 查詢默認使用的鄰居數量。

weights：{‘uniform’, ‘distance’} 或可調用，默認='uniform'

預測中使用的權重函數。可能的值：

• ‘uniform’：統一權重。每個鄰域中的所有點的權重相等。
• ‘distance’：權重點按距離的倒數計算。在這種情況下，查詢點的較近的鄰居將比較遠的鄰居具有更大的影響。
• [callable]：一個用戶定義的函數，它接受一個距離數組，並返回一個包含權重的相同形狀的數組。

默認情況下使用統一權重。

algorithm：{‘auto’, ‘ball_tree’，‘kd_tree’, ‘brute’}，默認='自動'

用於計算最近鄰的算法：

• ‘ball_tree’ 將使用 BallTree
• ‘kd_tree’ 將使用 KDTree
• ‘brute’ 將使用蠻力搜索。
• ‘auto’ 將嘗試根據傳遞給 fit 方法的值來決定最合適的算法。

注意：擬合稀疏輸入將使用蠻力覆蓋此參數的設置。

leaf_size：整數，默認=30

葉大小傳遞給BallTree 或 KDTree。這會影響構建和查詢的速度，以及存儲樹所需的內存。最佳值取決於問題的性質。

p：整數，默認=2

Minkowski 度量的功率參數。當 p = 1 時，這相當於使用 manhattan_distance (l1)，而對於 p = 2，則使用 euclidean_distance (l2)。對於任意 p，使用 minkowski_distance (l_p)。

metric：str 或可調用，默認='minkowski'

用於樹的距離度量。默認度量是 minkowski，並且 p=2 等效於標準歐幾裏得度量。有關可用指標的列表，請參閱DistanceMetric 的文檔。如果 metric 是 “precomputed”，則 X 被假定為一個距離矩陣，並且在擬合期間必須是正方形。 X 可能是一個稀疏圖，在這種情況下，隻有“nonzero” 元素可以被認為是鄰居。

metric_params：字典，默認=無

度量函數的附加關鍵字參數。

n_jobs：整數，默認=無

運行鄰居搜索的並行作業數。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有處理器。有關更多詳細信息，請參閱術語表。不影響fit方法。

屬性：

effective_metric_：str 或可調用

要使用的距離度量。它將與 metric 參數或其同義詞相同，例如‘euclidean’ 如果 metric 參數設置為 ‘minkowski’ 並且 p 參數設置為 2。

effective_metric_params_：dict

度量函數的附加關鍵字參數。大多數指標與metric_params 參數相同，但如果effective_metric_ 屬性設置為‘minkowski’，也可能包含p 參數值。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

n_samples_fit_：int

擬合數據中的樣本數。

注意：

有關選擇 algorithm 和 leaf_size 的討論，請參閱在線文檔中的最近鄰居。

警告

關於最近鄰算法，如果發現兩個鄰域 k+1 和 k 具有相同的距離但不同的標簽，則結果將取決於訓練數據的排序。

https://en.wikipedia.org/wiki/K-nearest_neighbors_algorithm

例子：

>>> X = [[0], [1], [2], [3]]
>>> y = [0, 0, 1, 1]
>>> from sklearn.neighbors import KNeighborsRegressor
>>> neigh = KNeighborsRegressor(n_neighbors=2)
>>> neigh.fit(X, y)
KNeighborsRegressor(...)
>>> print(neigh.predict([[1.5]]))
[0.5]