Scikit-learn section12 for cvpytorch

英文官方教程链接：

https://scikit-learn.org/stable/modules/neighbors.htmlhttps://scikit-learn.org/stable/modules/neighbors.html我深知最近几次所展现的文章内容水平不行，因为我现在也不会，同时也不太明白官网到底是什么意思，后面我会结合中文教程做进一步的改进，还望谅解。

---

sklearn.neighbors 提供了无监督和基于近邻的监督学习方法。无监督近邻是许多其他学习方法的基础。

最近邻方法的原理是找到距离新点最近的预定义训练样本，并预测它们的标签。样本数量可以是用户定义的常量，或者根据点的局部密度而变化。一般来说，距离可以是任何度量单位，例如标准的欧几里得距离。

---

 sklearn.neighbors.NearestNeighbors()

参数	描述
n_neighbors	int,default=5，默认使用的 neighbors 的数量
radius	float,default=1.0，默认使用的参数空间的范围
algorithm	{'auto','ball_tree','kd_tree','brute'},default='auto'，用于计算最近邻的算法
leaf_size	int,default=30，传给 BallTree or KDTree 的叶子尺寸
metric	str or callable,default='minkowski'，树的距离量度
p	int,default=2，Minkowski 量度的参数
metric_params	dict,default=None，度量函数的其他关键字参数
n_jobs	int,fault=None，neighbors 搜寻的平行 jobs 的数量
类属性
.effective_metric_	str，用来计算 neighbors 距离的量度
.effective_metric_params_	dict，上一个的参数
.n_features_in_	int，特征的数量
.feature_names_in_	ndarray of shape ('n_features_in_',)，特征的名称
.n_samples_fit_	int，拟合数据的样本数量

from sklearn.neighbors import NearestNeighbors
import numpy as np
X = np.array([[-1, -1], [-2, -1], [2, 1], [3, 2]])
nbrs = NearestNeighbors(n_neighbors=1).fit(X)
distances, indices = nbrs.kneighbors(np.array([[0,0]]))
#这里需要传入的数组shape的后一个元素相同
print(distances,indices)
#[[1.41421356]] [[0]]
#第一个代表最近的距离，第二个代表最近距离在拟合数据里的元素索引，本例为第1个

官方的代码我没看懂，这是源码中另外一个例子，还是可以理解的。

sklearn.neighbors.KDTree() 和 sklearn.neighbors.BallTree() 有相似的效果。

---

下面还有 sklearn.neighbors.KNeighborsClassifier()、 sklearn.neighbors.KNeighborsRegressor()、 sklearn.neighbors.NeraestCentroid()、sklearn.neighbors.KNeighborsTransformer() 等，由于我的水平有限，也就不细说了，大家自己去学习一下吧。