Grid Search 网格搜索(KNN算法)寻找最合适的超参数-----学习笔记

这篇博客探讨了KNN算法的超参数,如n_neighbors、weights和p,并详细介绍了如何通过Grid Search进行网格搜索来寻找最优参数。GridSearchCV在交叉验证的基础上确定最佳分类器,并提供了获取最佳得分、分类器和参数的方法。还提到了其他超参数n_jobs(用于并行执行搜索)和verbose(控制输出详细程度)。

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

KNN算法的超参数:

from sklearn.neighbors import KNeighborsClassifier

KNeighborsClassifier 的超参数:

1. n_neighbors : 表示选择距离最近的K个点来投票的数量。

knn_clf = KNeighborsClassifier(n_neighbors=3)

2.weights :表示最近的K个点中,是否考虑距离的权重;

weights = uniform (默认)表示不考虑权重

weighs = distance  表示考虑距离的权重

knn_clf = KNeighborsClassifier(n_neighbors=3 , weights = 'distance')

3. p :表示选择的距离类型;只有当 weights = 'distance' 时,p才有意义;

p = 1 表示选择曼哈顿距离

p = 2 表示选择欧拉距离(默认)

p >=3 表示选择其他距离

knn_clf = KNeig
评论 2
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