Question

5.1 KNeighborsClassifier

1. KNeighborsClassifier 是knn 分类模型，其原型为：

   
   xxxxxxxxxx
   sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights='uniform',algorithm='auto', 
   leaf_size=30, p=2, metric='minkowski',metric_params=None, n_jobs=1, **kwargs)

   • n_neighbors：一个整数，指定 $ MathJax-Element-94 $ 值。

   • weights：一字符串或者可调用对象，指定投票权重策略。

     • 'uniform'：本结点的所有邻居结点的投票权重都相等 。
     • 'distance'：本结点的所有邻居结点的投票权重与距离成反比。即越近的结点，其投票权重越大。
     • 一个可调用对象：它传入距离的数组，返回同样形状的权重数组。

   • algorithm：一字符串，指定计算最近邻的算法。可以为：

     • 'ball_tree'：使用 BallTree算法。
     • 'kd_tree：使用 KDTree算法。
     • 'brute'：使用暴力搜索法。
     • 'auto'：自动决定最合适的算法。

   • leaf_size：一个整数，指定BallTree或者 KDTree叶结点规模。它影响了树的构建和查询速度。

   • metric：一个字符串，指定距离度量。默认为'minkowski'距离。

   • p ：一个整数，指定在'Minkowski'度量上的指数。

     如果 p=1，对应于曼哈顿距离；p=2对应于欧拉距离。

   • n_jobs：并行度。

2. 模型方法：

   • fit(X,y)：训练模型。
   • predict(X)：用模型进行预测，返回预测值。
   • score(X,y)：返回模型的预测性能得分。
   • predict_proba(X)：返回一个数组，数组的元素依次是X预测为各个类别的概率值。
   • kneighbors([X, n_neighbors, return_distance])：返回样本点的 $ MathJax-Element-94 $ 近邻点。如果return_distance=True，同时还返回到这些近邻点的距离。
   • kneighbors_graph([X, n_neighbors, mode])：返回样本点的 $ MathJax-Element-94 $ 近邻点的连接图。

5.2 KNeighborsRegressor

1. KNeighborsRegressor是knn 回归模型，其原型为：

   
   xxxxxxxxxx
   sklearn.neighbors.KNeighborsRegressor(n_neighbors=5, weights='uniform', algorithm='auto', 
   leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=1, **kwargs)

   参数：参考KNeighborsClassifier 。

2. 模型方法：

   • fit(X,y)：训练模型。
   • predict(X)：用模型进行预测，返回预测值。
   • score(X,y)：返回模型的预测性能得分。
   • kneighbors([X, n_neighbors, return_distance])：返回样本点的 $ MathJax-Element-94 $ 近邻点。如果return_distance=True，同时还返回到这些近邻点的距离。
   • kneighbors_graph([X, n_neighbors, mode])：返回样本点的 $ MathJax-Element-94 $ 近邻点的连接图。