K-近邻算法（knn算法）API参数介绍

KNeighborsClassifier()方法是sklearn库中K近邻算法的分类器实现，它有一些可调参数用于调整模型的行为。以下是KNeighborsClassifier()方法的可调参数及其可选类别及含义：

1. n_neighbors：

   • 类型：整数（默认为5）
   • 含义：指定K近邻算法中的K值，即要考虑的最近邻居的数量。

2. weights：

   • 类型：字符串（可选值为’uniform’、‘distance’或自定义函数，默认为’uniform’）
   • 含义：用于预测时计算邻居权重的策略。
     • ‘uniform’：所有最近邻居的权重相等。
     • ‘distance’：最近邻居的权重与其距离的倒数成反比。
     • 自定义函数：可以传递自定义的函数用于计算权重。

3. algorithm：

   • 类型：字符串（可选值为’auto’、‘ball_tree’、‘kd_tree’、‘brute’，默认为’auto’）
   • 含义：用于K近邻搜索的算法。
     • ‘auto’：根据数据维度选择最合适的算法（一般是’ball_tree’或’kd_tree’）。
     • ‘ball_tree’：使用Ball Tree算法。
     • ‘kd_tree’：使用KD Tree算法。
     • ‘brute’：使用暴力搜索方法，适用于小规模数据集。

4. leaf_size：

   • 类型：整数（默认为30）
   • 含义：在使用Ball Tree或KD Tree算法时，叶子节点的大小。影响构建树的速度和内存占用。

5. p：

   • 类型：整数（默认为2）
   • 含义：用于Minkowski距离的指数参数。当p=1时，使用曼哈顿距离；当p=2时，使用欧氏距离。

6. metric：

   • 类型：字符串或可调用对象（默认为’minkowski’）
   • 含义：用于计算邻居之间距离的度量标准。
     • 默认情况下，当p=2时，使用欧氏距离，当p=1时，使用曼哈顿距离。
     • 可以传递自定义的距离度量函数，例如传递metric='cosine'来使用余弦距离。

7. metric_params：

   • 类型：字典（默认为空）
   • 含义：用于度量函数的附加参数。

8. n_jobs：

   • 类型：整数或None（默认为None）
   • 含义：用于近邻搜索的并行工作数。当为-1时，使用所有可用的CPU核心。