深入浅出机器学习实战（2）-基于Python工具包的使用-KNN回归分析

这是书中使用KNN对于一个回归问题的解决实例，同时还通过图像可视化向大家展现了KNN回归器参数修改之后的不同之处，这里直接把代码粘贴到下面，希望对于各位学习机器学习有所帮助。 

# -*- coding:UTF-8 -*-
from sklearn.neighbors import KNeighborsRegressor
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import make_regression
x, y = make_regression(n_features=1, n_informative=1, noise=50, random_state=8)
reg = KNeighborsRegressor()  # KNN默认近邻数为5
reg.fit(x, y)   # KNN拟合数据
#  将结果进行可视化
z = np.linspace(-3, 3, 200).reshape(-1, 1)
plt.scatter(x, y, edgecolors='k')
plt.plot(z, reg.predict(z), c='k', linewidth=3)
plt.show()
print('模型评分： {:.2f}'.format(reg.score(x,y)))
#  将KNN的n_neighbors改为２
reg2 = KNeighborsRegressor(n_neighbors=2)
reg2.fit(x, y)
#  结果可视化
z = np.linspace(-3, 3, 200).reshape(-1, 1)
plt.scatter(x, y, edgecolors='k')
plt.plot(z, reg2.predict(z), c='k', linewidth=3)
plt.show()
print('模型评分： {:.2f}'.format(reg2.score(x,y)))