2.1.2.3 K近邻（回归）

最新推荐文章于 2024-08-17 19:34:58 发布

。难悟易误。

最新推荐文章于 2024-08-17 19:34:58 发布

阅读量268

点赞数

分类专栏：回归文章标签：回

本文链接：https://blog.csdn.net/weixin_43844229/article/details/88132772

版权

本文介绍了使用K近邻（KNN）回归算法对美国波士顿地区的房价数据进行预测。首先加载并展示了数据，接着将数据划分为训练集和测试集。然后，通过标准化处理特征和目标值来减小差异。实验比较了两种KNN回归器：统一权重和距离加权，并使用内置评分、R方、MSE和MAE评估了模型的预测性能。

摘要由CSDN通过智能技术生成

#美国波士顿地区房价描述
from sklearn.datasets import load_boston
boston=load_boston()
print(boston.DESCR)

#数据分割
from sklearn.cross_validation import train_test_split
import numpy as np
X=boston.data
y=boston.target
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.25,random_state=33)

#分析回归目标值的差异
print('最大值：',np.max(boston.target))
print('最小值：',np.min(boston.target))
print('平均值：',np.mean(boston.target))

#发现目标房价之间的差异较大，需要对特征和目标值进行标准化处理
from sklearn.preprocessing import StandardScaler
ss_X=StandardScaler()
ss_y=StandardScaler()
X_train=ss_X.fit_transform(X_train)
X_test=ss_X.transform(X_test)
y_train=ss_y.fit_transform(y_train.reshape(-1,1))
y_test=ss_y.transform(y_test.reshape(-1,1))

#K近邻回归器
from sklearn.neigh