knnm模型回归

import  numpy as np
from  sklearn.neighbors import  KNeighborsRegressor
from sklearn.metrics import mean_absolute_error ,mean_squared_log_error ,r2_score

X_train = np.array([
    [158 , 1 ],
    [170 , 1 ],
    [183 , 1 ],
    [191,  1 ],
    [155 , 0 ],
    [163 , 0 ],
    [180 , 0 ],
    [158 , 0 ] ,
    [170 , 0 ]
])
y_train= np.array([64 ,86, 84, 80, 49, 59 , 67, 54 ,67])
X_test = np.array([
    [168 ,1 ],
    [180 , 1],
    [160 ,0],
    [169 ,0]
])
y_test = [65 , 96 , 52 , 67]
k = 3
clf = KNeighborsRegressor( n_neighbors = k )
clf.fit(X_train , y_train)#将数据传入了clf这个对象中，这个对象已经能有预测的能力了已经有了一个趋势了就是有了那个回归函数了

predictions = clf.predict(X_test)
print("predicte weight :%s"% predictions)
print("really weight :%s" % y_test )
print("-- --")
#决定系数（拟合优度)
print("Coefficient of detemination 决定系数（拟合优度r2):%s " % r2_score(y_test ,predictions))

print("-- --")
#平均绝对值误差（mean_absolute_error）
print("平均绝对值误差（mean_absolute_error） :%s " % mean_absolute_error(y_test ,predictions))
print("-- --")
#均方差（mean-squared-error）
print("均方差（mean-squared-error） :%s " % mean_squared_log_error(y_test , predictions ))

''' 
print("另一种方法计算：")#应该不行，因为他不能轻易转换为01二进制
from sklearn.preprocessing import  LabelBinarizer
from  sklearn.metrics import  classification_report
lb =LabelBinarizer()
y = lb.transform(y_test)
predictions = lb.transform(predictions)
print(classification_report(y  , predictions  , target_names=   ["name"] , labels = [1]    ) )
'''

 
predicte weight :[70.66666667 79.         59.         70.66666667]
really weight :[65, 96, 52, 67]
-- --
Coefficient of detemination 决定系数（拟合优度r2):0.6290565226735438 
-- --
平均绝对值误差（mean_absolute_error） :8.333333333333336 
-- --
均方差（mean-squared-error） :0.01551486028554209 

Process finished with exit code 0