k 近邻算法 api

API

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

其中：

• n_neighbors：k 值，即取样本中最邻近的 k 个点。
• weights：权重方式，可选 uniform 或 distance，默认为 uniform。
• algorithm：算法类型，可选 auto、ball_tree、kd_tree、brute，默认为 auto。
• leaf_size：树的叶子节点的大小，默认为 30。
• p：距离度量的指数，默认为 2。
• metric：距离度量，可选 minkowski、euclidean、manhattan、chebyshev、hamming、canberra、braycurtis、mahalanobis、wminkowski、seuclidean、cosine、correlation、haversine、hamming、jaccard、dice、russellrao、kulsinski、rogerstanimoto、sokalmichener、sokalsneath、yule、matching、jaccard、dice、kulsinski、rogerstanimoto、russellrao、sokalmichener、sokalsneath、yule，默认为 minkowski。
• metric_params：距离度量参数，默认为 None。
• n_jobs：并行数，默认为 None。

常用方法：

• fit(X, y)：训练模型。
• predict(X)：预测标签。
• predict_proba(X)：预测概率。
• kneighbors(X, n_neighbors=None, return_distance=True)：返回 k 个最近邻的索引和距离。
• radius_neighbors(X, radius=None, return_distance=True)：返回半径内的点的索引和距离。
• kneighbors_graph(X, n_neighbors=None, mode='connectivity', include_self=False)：返回 k 近邻图。
• radius_neighbors_graph(X, radius=None, mode='connectivity', include_self=False)：返回半径内的点的 k 近邻图。

案例

# 导入数据集
from sklearn.neighbors import KNeighborsClassifier

# 1.准备数据
x = [[0], [1], [2], [3]]
y = [0, 0, 1, 1]

# 2.实例化模型
# 实例化API
estimator = KNeighborsClassifier(n_neighbors=2)
# 使用fit方法进行训练
estimator.fit(x, y)

# 3.预测标签
print(estimator.predict([[1]]))

某一次的输出结果：

[0]