sklearn.neighbors常用API介绍

K近邻算法：
对新的输入数据，在训练数据上找到与该实例最邻近的k个实例，k个实例的多数属于的类别作为输入数据的类别。
用于分监督学习的k近邻算法:
sklearn.neighbors.NearestNeighbors(n_neighbors=5,radius=1.0,algorithm='auto',leaf_size=30,
metric='minkowski',p=2,metric_params=None,n_jobs=1,**kwargs)
n_neighbors:int,默认为5
对输入数据进行投票的训练数据个数，即k的大小

radius:float，默认1.0
radius_neighbors查询时默认的参数空间范围，即半径。给定目标点及半径r，在目标点为圆心，r为半径的圆中的点距目标点更近

algorithm:{'auto','ball_tree','kd_tree','brute'}
计算最近邻使用的算法，输入为稀疏表示时会强制使用brute

leaf_size:int，默认30
BallTree或KDTree的叶节点数，即子区域个数。会影响树结构建立和查询的速度以及耗费的内存。

metric:string或函数调用，默认'minkowsik'。

计算距离的方式。可以使用scikit-learn或者scipy.spatial.distance定义个任意方式.

p:int,默认2
minkowski的参数。p=1时为曼哈顿距离，p=2为欧式距离。

metric_params:字典，默认None。对metric的追加参数

n_jobs:int ,默认1
并行计算的工作数，即CPU的占用个数

方法:
fit(X[,y])
X:{array-like,sparse matrix,BallTree,KDTree}
训练数据，X为array 或matrix，shape(n_samples,n_features)。或者直接传入构建完成的数结构

get_params(deep=True):获取模型的参数映射关系

kneighbors(X=None,n_neighbors=None,return_distance=True)
寻找点的k个最近邻，返回每个最近邻点的索引和距