sklearn.neighbors.KNeighborsClassifier函数详解sklearn.neighbors.KNeighborsClassifier

83 阅读 0 评论 55 点赞

我是靠谱客的博主含糊豆芽，最近开发中收集的这篇文章主要介绍sklearn.neighbors.KNeighborsClassifier函数详解sklearn.neighbors.KNeighborsClassifier，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

`sklearn.neighbors`.KNeighborsClassifier

class sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, ***, weights=‘uniform’, algorithm=‘auto’, leaf_size=30, p=2, metric=‘minkowski’, metric_params=None, n_jobs=None)

参数

参数	格式	描述
n_neighbors	int, default=5	选取的k值
weights	{‘uniform’, ‘distance’} or callable, default=’uniform’	‘uniform’ :所有实例点的距离权重相等，‘distance’:权重与距离成反比，‘callable’:用户自己定义的权重分配函数，输入是所有实例点距离预测点的距离数组，返回相同形状的权重数组。
algorithm	{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, default=’auto’	用来搜索最近邻点的算法，‘auto’：自动选择算法，‘ball_tree’：ballTree算法，‘kd_tree’:kdTree算法，‘brute’:线性扫描，暴力搜索。
leaf_size	int, default=30	kd树或者ball树中的树叶结点存放的数据点的个数（树叶中的多个数据点利用暴力搜索）
p	int, default=2	闵可夫斯基距离的p值，'1’为曼哈顿距离，'2’为欧氏距离
metric	str or callable, default=’minkowski’	用于距离计算的度量。默认值是“minkowski”，当p = 2时，会产生标准的欧氏距离。
metric_params	dict, default=None	metric函数的其他关键字参数。
n_jobs	int, default=None	并行进程数，‘None’表示为1，’-1’表示为应用全部处理器

属性

名称	形式	描述
classes_	array of shape (n_classes,)	分类器已知的类标签
effective_metric_	str or callable	使用的距离度量。它将与度规参数相同或其同义词，例如，如果度规参数设置为“minkowski”，p参数设置为2，则为“euclidean”。
effective_metric_params_	dict	metric函数的其他关键字参数。对于大多数度量将与metric_params参数相同，但也可能包含p参数值，如果effecve_metric_属性设置为’ minkowski '。
n_features_in_	int	特征数量
feature_names_in_	ndarray of shape (n_features_in_,)	数据的特征名称，仅当X的特性名称全部为字符串时才定义。
n_samples_fit_	int	拟合数据中的样本数
outputs_2d_	bool	当y的形状为(n_samples，)或(n_samples, 1)时为False，否则为True

方法

方法	描述
`fit`(X, y)	从训练数据集中拟合k近邻分类器。
`get_params`([deep])	获取这个分类器的参数。
`kneighbors`([X, n_neighbors, return_distance])	求一个点的k近邻。X:数组，n_neighbors:要查找的邻居数，默认是模型参数的值，return_distance:是否返回距离
`kneighbors_graph`([X, n_neighbors, mode])	计算X点的k近邻(加权)邻接图。
`predict`(X)	预测所提供数据的类标签。
`predict_proba`(X)	返回测试数据X的概率估计。
`score`(X, y[, sample_weight])	返回给定测试数据和标签的平均精度。
`set_params`(**params)	设置这个估计器的参数。