sklearn.neighbors.KNeighborsRegressor?

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

[源碼]

基于k最近鄰的回歸。

通過對訓練集中最近臨近點的相關目標進行局部插值來預測目標。

在用戶指南中閱讀更多內容。

0.9版的新功能。

參數 說明
n_neighbors int, default=5
默認情況下用于kneighbors查詢的臨近點數。
weights {‘uniform’, ‘distance’} or callable, default=’uniform’
預測中使用的權重函數。 可能的值：
”uniform”：統一權重。 每個鄰域中的所有點均被加權。
“distance”：權重點與其距離的倒數。 在這種情況下，查詢點的近鄰比遠處的近鄰具有更大的影響力。
[callable]：用戶定義的函數，該函數接受距離數組，并返回包含權重的相同形狀的數組。
默認情況下使用統一權重。
algorithm {‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, default=’auto’
用于計算最近臨近點的算法：
“ ball_tree”將使用BallTree
“ kd_tree”將使用KDTree
“brute”將使用暴力搜索。
“auto”將嘗試根據傳遞給fit方法的值來決定最合適的算法。
注意：在稀疏輸入上進行擬合將使用蠻力覆蓋此參數的設置。
leaf_size int, default=30
葉大小傳遞給BallTree或KDTree。 這會影響構造和查詢的速度，以及存儲樹所需的內存。 最佳值取決于問題的性質。
p int, default=2
Minkowski指標的功率參數。 當p = 1時，這等效于對p = 2使用manhattan_distance（l1）和euclidean_distance（l2）。對于任意p，使用minkowski_distance（l_p）。
metric str or callable, default=’minkowski’
樹使用的距離度量。 默認度量標準為minkowski，p = 2等于標準歐幾里德度量標準。 有關可用度量的列表，請參見DistanceMetric的文檔。 如果度量是“預先計算的”，則X被假定為距離矩陣，并且在擬合過程中必須為平方。 X可能是一個稀疏圖，在這種情況下，只有“非零”元素可以被視為臨近點。
metric_params dict, default=None
度量功能的其他關鍵字參數。
n_jobs int, default=None
為臨近點搜索運行的并行作業數。 除非在joblib.parallel_backend上下文中，否則None表示1。 -1表示使用所有處理器。 有關更多詳細信息，請參見詞匯表。 不會影響擬合方法。
屬性 說明
effective_metric_ str or callable
使用的距離度量。 它將與度量參數相同或與其相同，例如 如果metric參數設置為“ minkowski”，而p參數設置為2，則為“ euclidean”。
effective_metric_params_ dict
度量功能的其他關鍵字參數。 對于大多數指標而言，它與metric_params參數相同，但是，如果將valid_metric_屬性設置為“ minkowski”，則也可能包含p參數值。

另見：

NearestNeighbors

RadiusNeighborsRegressor

KNeighborsClassifier

RadiusNeighborsClassifier

注意

有關算法選擇和leaf_size的討論，請參見Nearest Neighbors的在線文檔。

警告：如果發現兩個臨近點（臨近點k + 1和k）具有相同的距離但標簽不同，則結果將取決于訓練數據的順序。

https://en.wikipedia.org/wiki/K-nearest_neighbor_algorithm

示例

>>> X = [[0], [1], [2], [3]]
>>> y = [0, 0, 1, 1]
>>> from sklearn.neighbors import KNeighborsRegressor
>>> neigh = KNeighborsRegressor(n_neighbors=2)
>>> neigh.fit(X, y)
KNeighborsRegressor(...)
>>> print(neigh.predict([[1.5]]))
[0.5]

方法

方法 說明
fit(X,y) 使用X作為訓練數據和y作為目標值擬合模型
get_params([, deep]) 獲取此估計量的參數。
kneighbors([, X, n_neighbors, …]) 查找點的K臨近點。
kneighbors_graph([,X, n_neighbors, mode]) 計算X中點的k臨近點的（加權）圖
predict(X) 預測提供數據的目標
score( X, y[, sample_weight]) 返回預測的確定系數R ^ 2。
set_params(**params) 設置此估算器的參數。 
__init__(, n_neighbors=5, *, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None, **kwargs)

[源碼]

初始化. 請參閱help(type())以獲得準確的說明。

fit(X, y)

[源碼]

該模型使用X作為訓練數據，而y作為目標值

參數 說明
X {array-like, sparse matrix, BallTree, KDTree}
訓練數據。 如果是數組或矩陣，則將其形狀設置為[n_samples，n_features]，如果是metric =“ precomputed”，則為[n_samples，n_samples]。
y {array-like, sparse matrix}
目標值，浮點值數組，形狀= [n_samples]
或[n_samples，n_outputs]		 
get_params( deep=True)

[源碼]

獲取此估計量的參數。

參數 說明
deep bool, default=True
如果為True，則將返回此估算器和作為估算器的所包含子對象的參數。
返回值 說明
params mapping of string to any
參數名稱映射到其值。		 
kneighbors(X=None, n_neighbors=None, return_distance=True)

[源碼]

查找點的K近鄰。 返回每個點的臨近點的索引和與之的距離。

參數 說明
X array-like, shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’
查詢一個或多個點。 如果未提供，則返回每個索引點的臨近點。 在這種情況下，查詢點不被視為其自身的臨近點
n_neighbors int
要獲取的臨近點數（默認值為傳遞給構造函數的值）。
return_distance boolean, optional. Defaults to True
如果為False，則不會返回距離
返回值 說明
neigh_dist array, shape (n_queries, n_neighbors)
表示點的長度的數組，僅在return_distance = True時存在
neigh_ind array, shape (n_queries, n_neighbors)
總體矩陣中最近點的索引。

示例

在以下示例中，我們從代表數據集的數組構造一個NearestNeighbors類，并詢問誰是最接近[1,1,1]的點

>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(n_neighbors=1)
>>> neigh.fit(samples)
NearestNeighbors(n_neighbors=1)
>>> print(neigh.kneighbors([[1., 1., 1.]]))
(array([[0.5]]), array([[2]]))

如您所見，它返回[[0.5]]和[[2]]，這意味著該元素位于距離0.5處，并且是樣本的第三個元素（索引從0開始）。 您還可以查詢多個點：

>>> X = [[0., 1., 0.], [1., 0., 1.]]
>>> neigh.kneighbors(X, return_distance=False)
array([[1],
       [2]]...)
kneighbors_graph(, X=None, n_neighbors=None, mode='connectivity')

[源碼]

計算X中點的k臨近點的（加權）圖

參數 說明
X array-like, shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’
查詢點。 如果未提供，則返回每個索引點的臨近點。 在這種情況下，查詢點不被視為其自己的臨近點。
n_neighbors int
每個樣本的臨近點數。 （默認值為傳遞給構造函數的值）。
mode {‘connectivity’, ‘distance’}, optional
返回矩陣的類型：“連通性”將返回具有1和0的連通性矩陣，在“距離”中，邊為點之間的歐幾里得距離。
返回值 說明
A sparse graph in CSR format, shape = [n_queries, n_samples_fit]
n_samples_fit是擬合數據中的樣本數A [i，j]，分配了將i連接到j的邊的權重。

另見：

NearestNeighbors.radius_neighbors_graph

示例

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(n_neighbors=2)
>>> neigh.fit(X)
NearestNeighbors(n_neighbors=2)
>>> A = neigh.kneighbors_graph(X)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 1.],
       [1., 0., 1.]])
predict(X)

[源碼]

預測提供數據的目標

參數 說明
X array-like of shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’
測試樣本
返回值 說明
y ndarray of shape (n_queries,) or (n_queries, n_outputs), dtype=int
目標值。		 
score(X, y, sample_weight=None)

[源碼]

返回預測的確定系數R ^ 2。

系數R ^ 2定義為（1- u / v），其中u是平方的殘差和（（y_true-y_pred）** 2）.sum（），而v是平方的總和（（y_true- y_true.mean（））** 2）.sum（）。 可能的最高得分為1.0，并且可能為負（因為該模型可能會更差）。 不管輸入特征如何，始終預測y的期望值的常數模型將獲得0.0的R ^ 2分數。

參數 說明
X array-like of shape (n_samples, n_features)
測試樣品。 對于某些估計量，這可以是預先計算的內核矩陣或通用對象列表，而不是shape =（n_samples，n_samples_fitted），其中n_samples_fitted是用于估計量擬合的樣本數。
y array-like of shape (n_samples,) or (n_samples, n_outputs)
X的真實值。
sample_weight array-like of shape (n_samples,), default=None
樣本權重
返回值 說明
score 浮動
.predict(X) wrt. y.的R^2

聲明

在回歸器上調用分數時使用的R2分數使用版本0.23中的multioutput ='uniform_average'來保持與_r2_score的默認值一致。 這會影響所有多輸出回歸器的評分方法（MultiOutputRegressor除外）。

set_params(**params）

[源碼]

設置此估算器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。 后者的參數格式為 __ ，以便可以更新嵌套對象的每個組件。

參數 說明
**params dict
估算器參數。
返回值 說明
self object
估算器實例。