2.9 线性回归算法学习——kNN模型解决回归问题及网格搜索最优参数

最新推荐文章于 2025-05-16 10:58:06 发布

原创

最新推荐文章于 2025-05-16 10:58:06 发布 · 2.8k 阅读

12 ·

CC 4.0 BY-SA版权

本文介绍了如何使用kNN模型解决回归问题，并通过网格搜索来寻找最优参数。实验结果显示，不同评估方法下得分有差异，提醒读者在比较模型性能时要注意评估方法的一致性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

模型引入

from sklearn.neighbors import KNeighborsRegressor

实例化对象

knn_reg=KNeighborsRegressor()

训练数据集

knn_reg.fit(X_train,y_train)

查看评估的成绩

knn_reg.score(X_test,y_test)

运行结果

网格搜索参数：

from sklearn.model_selection import GridSearchCV
param_grid=[
    {
        'weights':['uniform'],
        'n_neighbors':[i for i in range(1,11)]
    },
    {
        'weights':['distance'],
        'n_neighbors':[i for i in range(1,11)],
        'p':[i for i in range(1,6)]
    }
]
knn_reg2=KNeighborsRegressor()
grid_search=GridSearchCV(knn_reg2,param_grid,n_jobs=-1