最近鄰居迴歸#

展示使用 k 最近鄰居解決迴歸問題，以及使用重心和常數權重內插目標。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

產生樣本資料#

在這裡，我們產生一些資料點來訓練模型。我們也在訓練資料的整個範圍內產生資料，以視覺化模型在整個區域中的反應。

import matplotlib.pyplot as plt
import numpy as np

from sklearn import neighbors

rng = np.random.RandomState(0)
X_train = np.sort(5 * rng.rand(40, 1), axis=0)
X_test = np.linspace(0, 5, 500)[:, np.newaxis]
y = np.sin(X_train).ravel()

# Add noise to targets
y[::5] += 1 * (0.5 - np.random.rand(8))

擬合迴歸模型#

在這裡，我們訓練模型並視覺化預測中 uniform 和 distance 權重如何影響預測值。

n_neighbors = 5

for i, weights in enumerate(["uniform", "distance"]):
    knn = neighbors.KNeighborsRegressor(n_neighbors, weights=weights)
    y_ = knn.fit(X_train, y).predict(X_test)

    plt.subplot(2, 1, i + 1)
    plt.scatter(X_train, y, color="darkorange", label="data")
    plt.plot(X_test, y_, color="navy", label="prediction")
    plt.axis("tight")
    plt.legend()
    plt.title("KNeighborsRegressor (k = %i, weights = '%s')" % (n_neighbors, weights))

plt.tight_layout()
plt.show()

KNeighborsRegressor (k = 5, weights = 'uniform'), KNeighborsRegressor (k = 5, weights = 'distance')

腳本的總執行時間： (0 分鐘 0.220 秒)

相關範例