sklearn.neighbors.KNeighborsClassifier的k-近邻算法使用介绍

class sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights=’uniform’, algorithm=’auto’, leaf_size=30, 
p=2, metric=’minkowski’,metric_params=None, n_jobs=None, **kwargs)

Source code:https://github.com/scikit-learn/scikit-learn/blob/1495f6924/sklearn/neighbors/classification.py#L23

1,KNeighborsClassifier参数介绍

n_neighbors: int，默认值为5

　　表示k-nn算法中选取离测试数据最近的k个点，

weight: str or callable，默认值为uniform

　　表示k近邻点都分类结果的影响，一般的情况下是选取k近邻点中类别数目最多的作为分类结果，这种情况下默认k个点的权重相等，但在很多情况下，

　　k近邻点权重并不相等，可能近的点权重大，对分类结果影响大。

　　默认值为uniform，还可以是distance和自定义函数

• 'uniform'：表示所有点的权重相等
• 'distance'：表示权重是距离的倒数，意味着k个点中距离近的点对分类结果的影响大于距离远的点
• [callable]：用户自定义函数，接受一个距离数组，返回一个同维度的权重数

algorithm：{'ball_tree','kd_tree','brute','auto'}

　　计算找出k近邻点的算法

• 'ball_tree'：使用BallTree维数大于20时建议使用
• 'kd_tree'：使用KDTree，原理是数据结构的二叉树，以中值为划分，每个节点是一个超矩形，在维数小于20是效率高
• 'brute'：暴力算法，线性扫描
• 'auto'：自动选取最合适的算法

　　note：在稀疏的输入数据上拟合，将使用'brute'覆盖此参数

leaf_size：int，默认值为30

　　用于构造BallTree和KDTree

　　leaf_size参数设置会影响树构造的树构造和询问的速度，同样也会影响树存储需要的内存，这个值的设定取决于问题本身

p：int，默认值为2

• 1：使用曼哈顿距离进行度量
• 2：使用欧式距离进行度量

metric : string or callable, 默认使用'minkowski'(闵可夫斯基距离)，度量函数

 

　　其中p是一个变参数，也就是上一个介绍的参数p

　　当p=1时，就是曼哈顿距离

　　当p=2时，就是欧氏距离

　　当p→∞时，就是切比学夫距离

metric_params : dict, 默认为None

　　度量函数的其他关键参数，一般不用设置

n_jobs : int or None, 默认None

　　用于搜索k近邻点并行任务数量，-1表示任务数量设置为CPU的核心数，即CPU的所有core都并行工作，不会影响fit(拟合)函数

 

 

　　

　　

 

转载于:https://www.cnblogs.com/YukiNote/p/11381246.html