KNN算法中的超参数--scikit-learn,python

1.超参数：在机器学习中，超参数是指在机器学习之前，提前设置好的参数。而不是由数据训练出来的。
2.KNN算法通过测量观测点与相邻最近点之间的距离，判断观测点所属的类别，而测量距离的方法有很多种。有曼哈顿距离（又称“L1范数”），欧拉距离（又称“L2范数”）以及明科夫斯基距离等。
3.从上述的距离公式中，我们可以得到他们公式的共同点，有一个参数p，曼哈顿距离公式的参数p=1，欧拉距离公式的参数p=2。而在scikit-learn提供的KNN算法中提供了参数p。
4.scikit-learn在KNN算法中还提供了另一个权重的参数（weights），它有两个取值，一个是“uniform”，每个相邻点与观测点的距离的权重都是相同的。另一个取值为“distance”,权重点按其距离的倒数表示。在这种情况下，查询点的近邻比远处的近邻具有更大的影响力。
5.KNN算法中另一个重要的参数就是k，就是看观测点与近邻k个点的距离。

import numpy as np
from sklearn import datasets

digits = datasets.load_digits()
X = digits.data
y = digits.target

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y)

from sklearn