沉醉不知处的博客

利用k近邻对模拟数据回归&KNN预处理和分类马绞痛数据 import numpy as np import matplotlib.pyplot as plt from sklearn.neighbors import KNeighborsRegressor np.random.seed(0) # random 40,1 0-5 matrix, axis=0,1 sort by column,row X = np.sort(5 * np.random.rand(40, 1), axis = 0

对两组数据进行分类和可视化 import numpy as np import matplotlib.pyplot as plt from matplotlib.colors import ListedColormap from sklearn.neighbors import KNeighborsClassifier from sklearn import datasets # data prepare iris = datasets.load_iris() X = iris.data[:, :

K近邻(k Nearest Neighbors)，顾名思义，就是对新数据进行判别时，它的类别由和它距离最近的k个已有数据来确定。 1，k值的选取 不断改变k的值，通过计算集合的方差，进行交叉验证，选取分类最好的作为最终k值。通常在[2，20]范围内选取。 2，距离的计算 样本之间的距离的计算，我们一般使用LP距离进行计算。当p=1时候，称为曼哈顿距离(Manhattan distance)，当p=2时候，称为欧氏距离(Euclidean distance)，当p=∞时候，称为极大距离(inft.