sklearn.neighbors.KNeighborsClassifier(k近鄰分類器)

KNeighborsClassifier參數說明KNeighborsClassifier(n_neighbors=5, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None, **kwargs)

n_neighbors：所選用的近鄰數，至關於K.

weights：預測的權函數，機率值。

     weights的參數設置

        ‘uniform’：同一的權重，即每一個鄰域中的全部點都是平均加權的。

        ‘distance’ ：這種狀況下，距離越近權重越大，反之，距離越遠其權重越小。

         [callable]（可調用）：用戶定義的函數，它接受一個距離數組，並返回一個包含權重的相同形狀的數組

algorithm ：用於計算最近鄰居的算法,。有{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}

         ‘auto’      ：根據樣本數據自動刷選合適的算法。

         ‘ball_tree’：構建「球樹」算法模型。

         ‘kd_tree’ ：‘’kd樹‘’算法。

         ‘brute’     ：使用蠻力搜索，即或至關於Knn算法，需遍歷全部樣本數據與目標數據的距離，進而按升序排序從而選取最近的K個值，採用投票得出結果。

leaf_size：葉的大小，針對算法爲球樹或KD樹而言。這個設置會影響構造和查詢的速度，以及存儲樹所需的內存。最優值取決於問題的性質。

metric：用於樹的距離度量。默認度量是Minkowski，p=2等價於標準的歐幾里德度量。有關可用度量的列表，能夠查閱距離度量類的文檔。若是度量是「預先計算的」，則假定X是距離矩陣，在擬合期間必須是平方。

p：Minkowski度量參數的參數來自sklearn.emeics.pairwise.pairwise_距離。當p=1時，這等價於使用曼哈頓距離(L1)，歐幾里得距離(L2)等價於p=2時，對於任意的p，則使用Minkowski_距離(L_P)。

metric_params：度量函數的附加關鍵字參數，設置應爲dict（字典）形式。

n_jobs：要爲鄰居搜索的並行做業的數量。None指1，除非在 joblib.parallel_backend背景。-1意味着使用全部處理器，若要了解相關的知識應該具體查找一下。

方法：

fit(self, X[, y])	以X爲訓練數據，y爲目標值擬合模型
get_params(self[, deep])	獲取此估計器的參數。
kneighbors(self[, X, n_neighbors, …])	找到點的K鄰域。
kneighbors_graph(self[, X, n_neighbors, mode])	計算X中點的k-鄰域(加權)圖
predict(self, X)	預測提供的數據的類標籤
predict_proba(self, X)	返回測試數據X的機率估計。
score(self, X, y[, sample_weight])	返回給定測試數據和標籤的平均精度。
set_params(self, \*\*params)	設置此估計器的參數。

KNeighborsClassifier：

from sklearn.neighbors import KNeighborsClassifierimport numpy as npimport pandas as pddataset = pd.read_csv('f:pycharm data/colors.csv',dtype = np.str)#取全部特徵列x = dataset.iloc[:,:-1]#取標籤列y = dataset.iloc[:,-1]#創建模型model = KNeighborsClassifier(3)#訓練模型model.fit(x,y)#預測predict_data = [[3,3,2],                [1,3,2],                [5,2,5]]result = model.predict(predict_data)print(result)