KNN回归分析【机器学习算法一KNN3】

小白拉普拉斯

于 2019-07-09 21:20:51 发布

阅读量565

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签： knn 回归分析机器学习

本文链接：https://blog.youkuaiyun.com/XiaobaiLaplace/article/details/95240393

本文通过sklearn.datasets.make_regression生成数据，介绍了KNN回归分析。内容包括代码实现、运行结果展示以及相关知识点讲解，重点探讨了n_features、n_informative、noise等参数对回归模型的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 代码

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)
plt.scatter(X,y,c='orange',edgecolor='k')
plt.show()#图1

from sklearn.neighbors import KNeighborsRegressor
#基于k近邻的回归,通过对训练集中与最近邻相关的目标进行局部插值,对目标进行预测。
reg = KNeighborsRegressor()
#以X为训练数据,y为目标值拟合模型
reg.fit(X,y)
z = np.linspace(-3,3,200).reshape(-1,1)
plt.scatter(X,y,c='orange',edgecolor='k')
plt.plot(z, reg.predict(z),c='k',linewidth=3)
plt.title('KNN Regressor')
plt.show()#图2
print('模型评分：{:.2f}'.format(reg.score(X,y)))

reg2 = KNeighborsRegressor(n_neighbors=2)
reg2.fit(X,y)
plt.scatter(X,y,c='orange',edgecolor='k')
plt.plot(z, reg2.predict(z),c='k',linewidth=3)
plt.title('KNN Regressor: n_neighbors=2'

最低0.47元/天解锁文章