4-5 KNN的超参数,k\method\p

目录

超参数和模型参数

寻找最好的k

考虑距离作为投票权重的KNN---超参数weights=[uniform, distance]

曼哈顿距离和欧氏距离---超参数p,定义了计算距离的公式; 其中, p=1是曼哈顿,p=2是欧式

2. 网格搜素以及kNN中的更多超参数

网格搜索

---

超参数和模型参数

超参数: 在算法运行前需要决定的参数

模型参数: 算法过程中学习的参数

 

KNN没有模型参数

k是KNN的超参数

 

寻找好的超参数: 领域知识, 经验数值, 实验搜索(选实验效果最好的)

---

寻找最好的k

设置一个超参数的范围

注意如果超参数取在了范围的边界,应该再扩大边界进行搜索

from sklearn.neighbors import KNeighborsClassifier
from sklearn import datasets

digits = datasets.load_digits()

X = digits.data
y = digits.target

print(X.shape)
print(y.shape)

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=666)


from sklearn.neighbors import KNeighborsClassifier


best_score = 0.0
best_k = -1
for k in range(1, 11):
    KNN_classifier = KNeighborsClassifier(n_neighbors=k)
    KNN_classifier.fit(X_train, y_train)
    score = KNN_classifier.score(X_test, y_test)
    if score > best_score:
        best_score = score
        best_k = k
print(best_k)
print(best_score)

 

---

考虑距离作为投票权重的KNN

也可以解决平票的问题