sklearn 翻译笔记：KNeighborsClassifier

Posted 2023-04-19

参考技术A

class sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,weights=’uniform’,algorithm=’auto’,leaf_size=30,p=2,metric=’minkowski’,metric_params=None,n_jobs=1, *kwargs) * [source]

实现了K最近邻居投票算法的分类器。想要了解更多，请看 使用手册 （英文）。

关联:

RadiusNeighborsClassifier , KNeighborsRegressor , RadiusNeighborsRegressor , NearestNeighbors

注意:

关于如何选择algorithm 和 leaf_size参数，请查看 Nearest Neighbors i的在线文档。

警告:
根据Nearest Neighbors算法，如果找到两个邻居，例如邻居k+1和k，他们有着一样的距离但是不一样的标签，最后的结果会根据训练数据的顺序来决定。

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

例子：

方法：

init (n_neighbors=5,weights=’uniform’,algorithm=’auto’,leaf_size=30,p=2,metric=’minkowski’,metric_params=None,n_jobs=1, kwargs) [source]

例子：

在此案例中, 我们构建了一个NeighborsClassifier类。 此类从数组中获取数据，并查询哪个点最接近于[1, 1, 1]

如你所见返回值为[[0.5]] 和 [[2]]。意思是此点是距离为0.5并且是样本中的第三个元素 (下标从0开始)。你可以尝试查询多个点：

关联：
NearestNeighbors.radius_neighbors_graph

例子：

sklearn 笔记整理：sklearn.mertics

理论部分：RMSE、MAE等误差指标整理_UQI-LIUWJ的博客-CSDN博客

1 sklearn.metrics.mean_squared_error

sklearn.metrics.mean_squared_error(
    y_true, 
    y_pred, 
    *, 
    sample_weight=None,
    multioutput='uniform_average', 
    squared=True)

1.1 主要参数

y_true	正确值
y_pred	预测值
squared	如果是True，那么就是MSE；否则是RMSE

1.2 使用举例

from sklearn.metrics import mean_squared_error
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
mean_squared_error(y_true, y_pred)
#0.375

2 sklearn.metrics.mean_absolute_error

sklearn.metrics.mean_absolute_error(
    y_true, 
    y_pred, 
    *, 
    sample_weight=None, 
    multioutput='uniform_average')

2.1 主要参数

y_true	正确值
y_pred	预测值

2.2 使用举例 

from sklearn.metrics import mean_absolute_error
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
mean_absolute_error(y_true, y_pred)
#0.5

3 sklearn.metrics.mean_absolute_percentage_error

sklearn.metrics.mean_absolute_percentage_error(
    y_true, 
    y_pred, 
    sample_weight=None, 
    multioutput='uniform_average')

3.1 主要参数

y_true	正确值
y_pred	预测值

3.2 使用举例 

from sklearn.metrics import mean_absolute_percentage_error
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
mean_absolute_percentage_error(y_true, y_pred)
#0.3273809523809524