K近邻算法应用——价格预测

本文详细介绍了如何使用K近邻算法进行价格预测,从构造数据、距离评估到K近邻预测,再到交叉验证和测试,揭示了k值选择对预测结果的影响,并指出k过大或过小可能导致的过拟合和无关数据干扰问题。最后,文章预告将进行优化部分的探讨。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、构造数据
#根据rating和age评估价格
def wineprice(rating,age):
    peak_age=rating-50

    price=rating/2
    if age>peak_age:
        price=price*(5-(age-peak_age))#过了峰值年,价值降低
    else:
        price=price*(5*(age+1)/peak_age)#临近峰值年,价值增高
    if price<0:
        price=0
    return price

#构造数据集合:输入——rating,age;输出——price
def wineset1():
    rows=[]
    for i in range(300):
        rating=random()*50+50
        age=random()*50

        price=wineprice(rating,age)
        price*=(random()*0.4+0.8)
        rows.append({
  'input':(rating,age),'result':price})
    return rows

#构造数据集合:输入——rating,age,aisle,bottlesize;输出——price
def wineset2():
    rows=[]
    for i in range(300):
        rating=random()*50+50
        age=random()*50

        aisle=float(randint(
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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