Python机器学习|K最近邻算法（3）| 回归分析

最新推荐文章于 2024-08-17 19:34:58 发布

Rachel_秋

最新推荐文章于 2024-08-17 19:34:58 发布

阅读量485

点赞数 1

分类专栏： Python机器学习文章标签：机器学习 python

本文链接：https://blog.csdn.net/weixin_44965848/article/details/113808366

版权

KNN回归数据可视化 make_regression sklearn numpy

关键词由CSDN通过智能技术生成

Python机器学习专栏收录该内容

11 篇文章 2 订阅

订阅专栏

import matplotlib.pyplot as plt
# 导入make_regression数据集生成器
from sklearn.datasets import make_regression
# 导入用于回归分析的KNN模型
from sklearn.neighbors import KNeighborsRegressor
import numpy as np

# 生成特征数量为1，噪音为50的数据集
"""
n_features：特征数(自变量个数)
n_informative：参与建模特征数
"""
X, y = make_regression(n_features=1, n_informative=1, noise=50, random_state=8)
# 用散点图将数据点进行可视化
plt.scatter(X, y, c='orange', edgecolor='k')
plt.show()

在这里插入图片描述

reg = KNeighborsRegressor()
# 用KNN模型拟合数据
reg.fit(X, y)
# 把预测结果用图像进行可视化
# np.linspace生成指定范围内指定个数的一维数组
z = np.linspace(-3, 3, 200).reshape(-1, 1)
plt.scatter(X, y, c='orange', edgecolors='k')
plt.plot(z, reg.predict(z), c='k', linewidth=3)
# 向图像添加标题
plt.title('KNN Regressor')
plt.show()