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

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
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