【Scikit-Learn】k-近邻算法回归拟合

最新推荐文章于 2025-01-27 21:11:34 发布

原创最新推荐文章于 2025-01-27 21:11:34 发布 · 826 阅读

1 ·

CC 4.0 BY-SA版权

机器学习专栏收录该内容

26 篇文章

订阅专栏

博客围绕Scikit-Learn中的k-近邻算法拟合展开，虽具体内容缺失，但核心聚焦该算法在拟合方面的应用，属于信息技术领域中算法相关内容。

%matplotlib inline
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() # ravel()用作将数据展开成一维

# 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).reshape(-1,1)
y_pred = knn.predict(T)

# 画出拟合曲线
plt.figure(figsize=(16, 10), dpi=144)
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()