sklearn学习笔记（四）-K近邻（KNN）

原创 已于 2023-12-18 22:00:46 修改 · 420 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#sklearn #学习 #笔记

于 2023-12-17 21:57:07 首次发布
本文介绍了使用scikit-learn库实现K-近邻算法，包括数据集生成、KNN分类器的使用、多分类问题处理以及在葡萄酒分类案例中的实战应用。

sklearn学习笔记（四）

1.k-近邻的Sklearn实现

1.1.生成数据集

#导入make_blobs
data, label = make_blobs(n_features = 2,   
                         n_samples = 100,
                         centers = 3,
                         random_state = 3,
                         cluster_std = [0.8, 2, 5]                                    
)
  • n_features表示每一个样本有多少特征值
  • n_samples表示样本的个数
  • centers是聚类中心点的个数，可以理解为Label的种类数
  • random_state是随机种子，可以固定生成的数据
  • cluster_std设置每个类别的方差
#导入数据集生成器
from sklearn.datasets import make_blobs
#生成样本数为200，分类为2的数据集
data = make_blobs(n_samples = 200, centers = 2, random_state = 8)
print(data)

#分离自变量与因变量
X, y = data

#数据可视化
import matplotlib.pyplot as plt
%matplotlib inline
plt.scatter(X[:,0],X[:,1], c=y, cmap=plt.cm.spring, edgecolors='k')

#默认效果
plt.scatter(X[:,0],X[:,1], c=y)

运行结果如图：

图1 修改后效果
图2 默认效果

1.2.sklearn中的KNN分类器

from sklearn.neighbors import KNeighborsClassifier   #导入分类器
KNeighborsClassifier(  
    n_neighbors = 5,    
    weights = 'uniform',     
    algorithm = 'auto',  
    leaf_size = 30,   
    metric_params = 'minkowski'
  • n_neighborsint类型, 最近的几个样本具有投票权，通常为单数
  • weights等比重投票，'distance’表示按距离反比投票
  • algorithm即内部采用什么算法实现
  • leaf_size此参数给出了kd_tree或者ball_tree叶节点规模
  • metric_params距离度量对象，即怎样度量距离
import numpy as np
#导入KNN分类器
from sklearn.neighbors import KNeighborsClassifier

#KNN分类器实例化
clf = KNeighborsClassifier()
#模型训练
clf.fit(X, y)

将数据分类结果可视化：

#训练结果可视化

x_min, x_max = X[:,0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:,1].min() - 1, X[:, 1].max() + 1

#把x,y轴分块，找出很密的一堆点
xx, yy = np.meshgrid(np.arange(x_min, x_max, .02),
                     np.arange(y_min, y_max, .02))

#把刚才找到的密密麻麻的点，每个点都预测一个类别
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)    #形状变化

#把这些点，按类别的不同赋予不同的颜色
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Pastel1)

#绘制散点图,按照
plt.scatter(X[:, 0], X[:,1], c=y, cmap = plt.cm.spring, edgecolor = 'k')


#限制坐标范围
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.title("Classifier:KNN")

在这里插入图片描述


加入一个新的点预测其类别：

#训练结果可视化

#对新数据点进行可视化

#框出坐标范围，寻找上下界
x_min, x_max = X[:,0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:,1].min() - 1, X[:, 1].max() + 1

#把x,y轴分块，找出很密的一堆点
xx, yy = np.meshgrid(np.arange(x_min, x_max, .02),
                     np.arange(y_min, y_max, .02))

#把刚才找到的密密麻麻的点，每个点都预测一个类别
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)    #形状变化

#把这些点，按类别的不同赋予不同的颜色
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Pastel1)

#绘制散点图,按照
plt.scatter(X[:, 0], X[:,1], c=y, cmap = plt.cm.spring, edgecolor = 'k')

#限制坐标范围
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.title("Classifier:KNN")

#对新数据点进行可视化
plt.scatter(6.75, 4.82, marker='*', c='red', s=200)

print('新数据点的分类是：', clf.predict([[6.75, 4.82]]))

在这里插入图片描述


1.3KNN拟合多分类问题

#生成样本数是500，类别数是5的数据集
data2 = make_blobs(n_samples = 500, centers = 5, random_state = 8)
X2, y2 = data2
plt.scatter(X2[:, 0], X2[:, 1], c=y2, cmap=plt.cm.spring, edgecolor='k')
plt.show()

查看原始数据分布：
在这里插入图片描述

#用KNN模型进行拟合
clf = KNeighborsClassifier()
clf.fit(X2, y2)

#对拟合结果进行可视化
x_min, x_max = X2[:,0].min() - 1, X2[:, 0].max() + 1
y_min, y_max = X2[:,1].min() - 1, X2[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, .02),
                     np.arange(y_min, y_max, .02))

Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)    #形状变化
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Pastel1)
plt.scatter(X2[:, 0], X2[:,1], c=y2, cmap = plt.cm.spring, edgecolor = 'k')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.title("Classifier:KNN")

#plt.scatter(6.75, 4.82, marker='*', c='red', s=200)
plt.show()

查看分类情况：
在这里插入图片描述
模型评估:

print('模型正确率：{:.2f}'.format(clf.score(X2, y2)))

运行结果：模型正确率：0.96


1.4 KNN实战葡萄酒分类

#导入所需要的库
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn import neighbors, datasets
from sklearn.model_selection import train_test_split

#加载数据
wine = datasets.load_wine()

#查看相关信息
wine.keys()
wine.data.shape #查看自变量数据维度
print(wine.DESCR)

数据预处理：

#为便于可视化,取前两个特征纳入模型
X = wine.data[:, :2]
y = wine.target

#划分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
print('X_train:{}, X_test:{}'.format(X_train.shape, X_test.shape))

#KNN模型实例化
clf = neighbors.KNeighborsClassifier(n_neighbors=15, weights='distance')
#模型训练
clf.fit(X_train, y_train)

print("测试集模型评分：{:.2f}".format(clf.score(X_test, y_test)))
print("训练集模型评分：{:.2f}".format(clf.score(X_train, y_train)))

结果为：
测试集模型评分：0.89
训练集模型评分：1.00





笔记持续更新中，敬请期待

【机器学习】sklearn k-近邻算法
weixin_45334823的博客
07-08 774
sklearn k-近邻算法1. sklearn k-近邻算法API2. k近邻算法实例-预测入住位置 核心思想：你的“邻居”来推断出你的类别 定义：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。 来源：KNN算法最早是由Cover和Hart提出的一种分类算法 如何求距离：计算距离公式 两个样本的距离可以通过如下公式计算，又叫欧式距离 比如说，a(a1,a2,a3),b(b1,b2,b3) 相似样本，特征之间的值应该都是相近的。 skle
sklearn之K近邻
好好学习,天天向上的博客
08-09 379
K近邻算法（K- ）又称KNN算法，是数据挖掘中原理最简单的算法。 工作原理：给定一个已知标签的训练数据集，输入没有标签的新数据后，在训练数据集中找到与新数据最邻近的K个实例，如果K个实例的多数属于某个类别，那么新数据就属于这个类别。简单理解为：由那些离X点最近的K个点来决定其类别 算法步骤： 1）计算测试数据与各个训练数据之间的距离； 2）按照距离的递增关系进行排序； 3）选取距离最小的K个点；...
python使用欧氏距离knn_python运用sklearn实现KNN分类算法
weixin_39982452的博客
12-07 855
KNN(K-Nearest-Neighbours Classiflication)分类算法，供大家参考，具体内容如下最简单的分类算法，易于理解和实现实现步骤：通过选取与该点距离最近的k个样本，在这k个样本中哪一个类别的数量多，就把k归为哪一类。注意该算法需要保存训练集的观察值，以此判定待分类数据属于哪一类k需要进行自定义，一般选取k<30距离一般用欧氏距离，即​通过sklearn对数据使用K...
Python数据挖掘之基础分类模型_K最近邻分类器（KNN）_决策树（DT）
jerrykorea的博客
09-21 1253
根据这k个近邻对象的类别标签进行决策，按照少数服从多数的原则将x′分配近邻中数量最多的类。对于参数k的选择，过大的k值或过小的k值都是不可取的，通常需要通过实验比选的方法选择最优的k值。内部节点（Internal Node）：对应某个特征（属性），根据该特征的不同取值分裂数据。对每个子节点重复上述过程，直到满足停止条件（如节点数据属于同一类，或没有特征可分）。叶子节点（Leaf Node）：表示分类结果（类别）或预测值（回归任务）。根据所选特征的取值，将数据划分成若干子集，并生成对应的子节点。
sklearn基础篇（四）-- k近邻算法
CarpeDiem
11-08 2260
​ K近邻算法既能够用来解决分类问题，也能够用来解决回归问题。本篇主要学习k近邻算法原理，模型、KD树、ball树的实现，最后总结算法的优缺点。
sklearn k-近邻 算法
weixin_46955575的博客
07-18 734
int,可选（默认=5），查询默认使用的邻居数algorithm{‘auto’，，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法将会使用BallTree，‘kd_tree’将使用KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。(不同实现方式影响效率).........
sklearn学习笔记-----K近邻算法回归
weixin_42566227的博客
11-27 744
一、KNN模型回归 在此我们已经学习了分类和回归，下面对这两种预测类型做一个理解概括： 1、分类：分类是一个“定性”问题，即区分数据是哪种性质。分类输出的不是一个可以度量的量，像之前的区分性别或者肿瘤是恶性还是良性，他的答案只有0或1（即正确或错误）。 （常见的评估分类器的性能衡量方法：准确率、精确率、召回率、F1、马修斯相关系数(MCC)） 2、回归：回归是一个“定量”问题，即输出的是一个量值，我们可以通过这个量值去衡量输出值与真实值之间的“误差”，例如预测身高164的男性他的体重为52kg，我们
sklearn学习笔记----K近邻算法分类
weixin_42566227的博客
11-24 1217
一、K近邻模型（简称KNN） KNN模型只基于一个假设：互相接近的实例拥有类似的响应变量值。 1、KNN是一种惰性学习模型，惰性学习模型也称为基于实例的学习模型。（之前的简单线性回归属于勤奋学习模型） 2、KNN是一种非参数模型，它并不意味着模型不需要参数，它意味参数的个数并不固定。 二、KNN的实现 KNN进行预测时要求计算出一个测试实例和所有训练实例之间的距离。 当我们要预测一个值的时候首先要设置K参数，K参数代表了想要找的距离最近的训练实例的个数，然后输出这K个实例中最普遍的属性。 #
机器学习笔记（通俗易懂）---k近邻（KNN）算法介绍(3)---附完整代码
ntntg的博客
02-23 948
机器学习笔记—k近邻（KNN）算法介绍(3)—附完整代码 以下都是本人在学习机器学习过程中的一些心得和笔记，仅供参考。 KNN算法应该可以说是最简单的机器学习算法了，构建KNN模型只需要保存训练数据集即可。 想要对新的数据点做出预测，算法会在训练数据集中找到最近的数据点，也就是它的"最近邻"。 文章目录机器学习笔记---k近邻（`KNN`）算法介绍(3)---附完整代码1. `KNN`算法的简单介绍1.1 `KNN`算法的流程1.2 `KNN`算法的优缺点2. K近邻分类2.1 `forge`数据集的
机器学习笔记(8)---K-近邻算法(6)---KNN算法学习总结
终身学习的程序猿
02-11 832
前言 KNN算法系列文章加上总结共六篇笔记，已全部完成。本篇笔记做一个总结，随手再举个西瓜书上的例子。 转载请注明出处：http://blog.youkuaiyun.com/rosetta 总结 实际上KNN算法只要把数据准备好给分类函数就可以了。MLiA中的分类函数是classify0（），sklearn中由neigh.fit(normMat, datingLabels)完成，另外注意下前者直接...
统计学习方法笔记---k近邻
leemusk的博客
03-13 393
本章概要 k近邻是基本且简单的分类与回归方法，既可用于二分类，又可用于多分类。支持线性不可分的数据。K近邻法的基本做法是：对给定的训练实例点和输入实例点，首先确定输入实例点的K个最近邻训练实例点，然后利用这K个训练实例点的类的多数来预测输入实例点的类。 k近邻模型对应于基于训练数据集对特征空间的一个划分。K近邻法中，当训练集、距离度量、K值及分类决策规则确定后，其结果唯一确定。 K邻近...
sklearn中KNN的使用
12-21
KNN算法主要用于分类问题。 它的核心思想是： 给定一个预测目标 计算预测目标和所有样本之间的距离或者相似度 选择距离最近的前K个样本 通过投票来决定分类 sklearn包中自带的iris样本数据集，这里用这个数据集来练习knn算法。 1、iris数据集的介绍 参考：这一块内容昨天看了一篇博文，忘记地址了。 数据集内包含 3 类共 150 条记录，每类各 50 个数据。 每条记录都有 4 个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。 鸢尾花有三个品种：iris-setosa, iris-versicolour, iris-virginica。 通过这4个特征预测鸢尾花属于哪个品种。 需导入
k-nearest neighbors algorithm - k 最近邻算法
程永强
04-11 2986
kkk-nearest neighbors algorithm - kkk 最近邻算法 In pattern recognition, the kkk-nearest neighbors algorithm (kkk-NN) is a non-parametric method used for classification and regression. In both cases, the input consists of the kkk closest training examples in th
sklearn实现KNN分类算法
ccc369639963的博客
03-08 6631
sklearn实现KNN分类算法 Pyhthon Sklearn 机器学习库提供了 neighbors 模块，该模块下提供了 KNN 算法的常用方法，如下所示： 类方法 说明 KNeighborsClassifier KNN 算法解决分类问题 KNeighborsRegressor KNN 算法解决回归问题 RadiusNeighborsClassifier 基于半径来查找最近邻的分类算法 NearestNeighbors 基于无监督学习实现KNN算法 KDTree 无监督学
k-近邻算法 ---sklearn
我の博客
08-23 1255
k-近邻算法也称为knn算法, 可以解决分类问题, 也可以解决回归问题. 1. 算法原理 k-近邻算法的核心思想是未标记样本的类别, 由距离其最近的 \(k\) 个邻居投票来决定. 假设, 我们有一个已经标记的数据集, 即已经知道了数据集中每个样本所属的类别. 此时, 有一个未标记的数据样本, 我们的任务是预测出这个数据样本所属的类别. k-近邻算法的原理是, 计算待标记的数据样本和数据集中每个样本的距离, 取距离最近的 \(k\) 个样本. 待标记的数据样本所属的类别, 就由这 \(k\) 个距离最
机器学习实战（一）：K近邻算法（sklearn）
天风的人工智能博客
10-22 1851
Scikit learn 也简称sklearn，是机器学习领域当中最知名的python模块之一。Classification 分类Regression 回归Clustering 非监督分类Dimensionality reduction 数据降维Model Selection 模型选择Preprocessing 数据与处理使用sklearn可以很方便地让我们实现一个机器学习算法。一个复杂度算法的实现，使用sklearn可能只需要调用几行API即可。
利用sklearn实现k近邻法算法
飘过的春风
02-28 4845
     简介：近邻法（，）是一种基本分类与回归方法，它的原理是，对给定的训练数据集，对新的输入实例，在训练数据集中找到与该实例最近邻的个实例，依据“少数服从多数”的原则，根据这个实例中占多数的类，就把该实例分为这个类。从上面简介可以看出，算法实际上是利用训练数据集对特征空间进行划分。在分类方法中，值的选择、实例之间距离的度量及分类决策规则是近邻法的三个基本要素 。近邻算法计算过程：设有训练数据集...
sklearn(1): K近邻算法
JJJJJJames的博客
12-29 435
sklearn学习 介绍 数据分析和数据挖掘 用python进行机器学习 数据分析和数据挖掘 =机器学习=人工智能 分类 classification regression clustring dimensionality reduction model selection preprocessing k近邻算法 nearest neighbors classification k定义多少个邻居 教会计算机根据"邻居"进行分类，邻居：距离比较近 距离公式：欧氏距离
基于sklearn的机器学习 — KNN
09-06 2120
k-nearest neighbors（KNN）算法是监督机器学习中最简单但最常用的算法之一。KNN通常被认为是一种惰性的学习算法，从技术上讲，它只是存储训练数据集，而不经历训练阶段。KNN的原理是将新样本的特征与数据集中现有样本的特征进行比较。然后通过算法选择最接近的k个样本（k是自定义参数），新样本的输出是基于"k"最近样本的多数类(用于分类)或平均值(用于回归)确定的。
sklearn KNN算法中run_knn是什么意思
最新发布
10-28
<think>首先，用户的问题是关于sklearn KNN算法中“run_knn”的含义。用户引用了几个引用，但这些引用似乎与“run_knn”无关。用户说：“我想了解sklearn KNN算法中run_knn的含义”，并提供了引用，但这些引用讨论的是KNN算法的实现、Sklearn的封装、距离计算等，没有直接提到“run_knn”。用户还说：“上述引用仅供参考，并不是用户真正的需求，请尽可能多的参考用户上一次的问题和你的回答”，但我没有用户上一次的问题历史，因为这是新的对话。 用户提供了引用： - [1]: 讨论KNN的计算耗时问题。 - [2]: 机器学习笔记，用Sklearn实现鸢尾花分类。 - [3]: Python编写KNN算法，描述KNN工作原理。 - [4]: 自定义KNN算法代码。 - [5]: Python编写KNN算法调用MapReduce，提到距离计算。 在这些引用中，没有任何地方提到“run_knn”。在Sklearn的KNN实现中，我没有回忆起一个名为“run_knn”的函数或方法。Sklearn的KNN分类器通常在`sklearn.neighbors.KNeighborsClassifier`类中实现，常见的方法包括`fit`、`predict`、`kneighbors`等，但没有“run_knn”。 我需要基于常识和Sklearn的知识来回答。可能“run_knn”是用户的一个误解或自定义表述。在引用[4]中，有一个自定义KNN类的代码，其中有`fit`、`predict`和`_predict`方法。在`_predict`方法中，计算了距离并进行了预测，这本质上类似于“运行KNN”的逻辑。 在Sklearn的官方文档中，没有“run_knn”这个方法。KNN算法的核心是通过`fit`训练模型，然后通过`predict`进行预测。可能用户指的是KNN算法的执行过程。 用户说：“请尽可能多的参考用户上一次的问题和你的回答”，但这是我第一次在这个对话中响应，所以没有上一次的回答。用户的问题是新的。 现在，回答结构：我需要清晰、系统地解释。用户询问“run_knn的含义”，所以我应该解释它可能是什么。 假设“run_knn”不是Sklearn中的标准术语，我应基于上下文推断。可能在引用[4]的代码中，`predict`方法在内部调用`_predict`，这可以看作是运行KNN的核心步骤。 在引用[4]的代码中： ```python def predict(self, X): return np.array([self._predict(x) for x in X]) def _predict(self, x): # 计算距离，找到k近邻，投票预测 ``` 这里，`_predict`方法执行了KNN算法的关键一步：对于单个样本，计算它与训练集的距离，找到k个最近邻，并进行多数投票预测。这可以视为“运行KNN”的核心函数。 在Sklearn的KNN中，类似的功能在`predict`方法中实现。 所以，我可以说，“run_knn”可能在上下文中指的是KNN算法的预测阶段或核心计算逻辑。 现在，系统级指令： - 所有行内数学表达式用$...$，例如$distance$。 - 独立公式用$$...$$并单独成段。 - LaTeX语法正确。 - 使用中文回答。 - 生成相关问题。 - 回答中引用的段落末尾自然地添加引用标识，例如[^1]。 在回答中，我需要引用用户提供的引用。用户提供了引用[1]到[5]，所以我应该尽可能引用它们来解释。 例如，引用[1]提到KNN的计算耗时，引用[4]有自定义代码。 组织回答： 1. 澄清“run_knn”可能不是Sklearn中的标准方法。 2. 解释在KNN算法中，类似的核心操作是什么。 3. 参考引用中的内容来说明。 4. 最后生成相关问题。 回答结构： - 开头解释含义。 - 详细描述。 - 结尾生成相关问题。 用中文回答。 </think>### sklearn KNN算法中“run_knn”的含义分析 在Scikit-learn（sklearn）库中，K最近邻（KNN）算法主要通过`sklearn.neighbors.KNeighborsClassifier`类实现（用于分类问题）。根据您提供的引用和标准sklearn文档，**“run_knn”并不是sklearn官方API中的一个标准方法或函数名称**。这可能是一个误解、自定义实现中的术语，或因上下文而异的表述。下面我将逐步分析“run_knn”可能的含义，并参考您提供的引用进行详细说明。 #### 1. **“run_knn”可能指代KNN算法的核心预测过程** - 在KNN算法中，核心步骤是“预测阶段”，即对于一个新样本$x$，计算它与训练集中所有样本的距离（如欧氏距离$d = \sqrt{\sum (x_i - x_j)^2}$），找出k个最近邻，并通过多数投票机制确定预测标签（分类问题）或平均计算（回归问题）。 - 在自定义实现中（如您的引用[4]），`_predict`方法执行了类似“运行KNN”的逻辑：它计算距离、排序、选择k个最近邻并投票。代码片段中： ```python def _predict(self, x): distance = [math.sqrt(np.sum((x3 - x) ** 2)) for x3 in self.x_train] # 计算欧氏距离 knn_ = np.argsort(distance) # 排序距离 knn__ = knn_[:self.k] # 取前k个近邻 knn__1 = [i for i in knn__] vnest = self.y_train[knn__1] # 获取近邻标签 y_sco = [i for i in vnest] votos = Counter(y_sco) # 投票统计 fin_predict = votos.most_common()[0][0] # 预测结果 return fin_predict ``` 这个方法在功能上相当于“运行KNN”的核心计算，即对新数据进行分类[^4]。 - 在sklearn官方实现中，类似功能由`predict`方法处理（例如，`model.predict(X_test)`），它内部调用了距离计算和近邻搜索算法（如KD树或Ball树）。引用[1]提到KNN算法的一个缺点是“计算耗时”，这高度依赖样本维度和数量，因此在`predict`方法中，sklearn使用优化数据结构来加速“运行”过程[^1]。 #### 2. **“run_knn”可能源于自定义或教学代码中的命名** - 在一些教学或自定义实现中，“run_knn”可能被用作一个封装函数，用于训练和预测的整个流程（类似于sklearn的`fit`和`predict`组合）。例如： - 在引用[3]中描述KNN工作原理：“输入新数据后，将新数据的每个特征与样本集比较，提取最相似数据的分类标签”[^3]。如果自定义代码中有一个名为`run_knn`的函数，它可能整合了这些步骤。 - 在分布式计算环境中（如引用[5]），KNN实现可能使用MapReduce框架，其中“run_knn”对应距离计算的并行执行（例如，使用Map函数计算欧氏距离$d$) [^5]。 - 但在sklearn官方库中，没有名为“run_knn”的直接方法。相反，标准流程是： - 使用`fit`方法训练模型（加载训练数据）。 - 使用`predict`方法进行预测（执行核心KNN计算）。 - 可选方法如`kneighbors`返回k个最近邻的索引和距离，这也可以看作是“运行KNN”的部分输出。 #### 3. **为什么“run_knn”不是sklearn标准术语？** - sklearn的API设计强调一致性，所有算法都遵循`fit`和`predict`范式。KNN算法没有单独“运行”方法，因为预测过程已整合在`predict`中。 - 引用[2]指出，sklearn的KNN实现比自定义代码更复杂，包括处理高维数据耗时问题（如使用树结构优化），这隐式发生在`predict`方法内部[^2]。 - 如果您在代码或文档中看到“run_knn”，它可能来自： - 第三方库或自定义脚本（如引用[4]中的`predict`方法）。 - 误导性的变量名或简化描述。 #### 总结 “run_knn”在sklearn KNN算法中不直接存在，它可能是一个泛指KNN预测核心逻辑的非正式术语，对应`predict`方法的功能：计算距离、选择近邻并进行分类投票。在自定义实现中（如引用[4]），类似逻辑由`_predict`方法执行，这可以视为“运行KNN”的具体体现[^4]。在实际使用时，推荐遵循sklearn官方API：初始化和训练模型后，用`predict`方法执行预测。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值