KNN回归

最新推荐文章于 2024-10-09 19:49:29 发布

aligoo_

最新推荐文章于 2024-10-09 19:49:29 发布

阅读量856

点赞数

CC 4.0 BY-SA版权

分类专栏： sklearn机器学习算法原理及实践

本文链接：https://blog.youkuaiyun.com/Ali_start/article/details/84947418

sklearn机器学习算法原理及实践专栏收录该内容

8 篇文章

订阅专栏

本文介绍使用K近邻(KNN)算法进行回归预测的过程，通过生成训练样本，添加噪声，训练模型，并利用Matplotlib绘制预测曲线，展示KNN在回归问题中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import matplotlib.pyplot as plt
import numpy as np

# 生成训练样本
n_dots = 40
X = 5 * np.random.rand(n_dots, 1)
y = np.cos(X).ravel()

# 添加一些噪声
y += 0.2 * np.random.rand(n_dots) - 0.1

# 训练模型
from sklearn.neighbors import KNeighborsRegressor
k = 5
knn = KNeighborsRegressor(k)
knn.fit(X, y);

# 生成足够密集的点并进行预测
T = np.linspace(0, 5, 500)[:, np.newaxis]
y_pred = knn.predict(T)
knn.score(X, y)

# 画出拟合曲线
plt.figure(figsize=(16, 10))
plt.scatter(X, y, c='g', label='data', s=100)         # 画出训练样本
plt.plot(T, y_pred, c='k', label='prediction', lw=4)  # 画出拟合曲线
plt.axis('tight')
plt.title("KNeighborsRegressor (k = %i)" % k)
plt.show()