KNeighborsClassifier()

该函数是sklearn库中KNN算法的实现函数. 引入方式：

from sklearn.neighbors import KNeighborsClassifier

原型是

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

参数解读：

• n_neighbors:
  • int,默认是5
  • 也就是KNN中的K值
• weights
  • 该参数在对样本分类的过程中使用
  • 默认是uniform，含义是所有neighbor权重相同，所以计算k个neighbor的分类，类似于投票机制， 每个neighbor的类别的权重都是1
  • distance：权重与距样本的距离成反比，如何某个neighbor与样本距离较近，那么该neighbor的类别对样本最终的分类影响较大
  • 用户自定义函数：该函数的输入是样本与K个nneighbor 的距离，返回是k个权重
• algorithm
  • 算法是用来计算最近邻的
  • ball_tree：使用BallTree算法
  • kd_tree:使用KDTree算法
  • brute：使用暴力搜索
  • auto:程序根据输入的数据集自动选择样本
  • 注意：如果输入是稀疏矩阵，那么算法强制使用brute方式进行计算
• leaf_size
  • 如果上述algorithm参数使用了Tree相关算法进行计算，这里就需要指定树的叶节点数量
  • 默认值是30
  • 这个参数会影响树的构建速度，neighbor查询速度，以及存储树的内存
• metric
  • 距离度量方式，可以使用字符串指定，默认使用"minkowski"
  • 也可以使用具体的对象，sklearn库中有DistanceMetric class，可以构建相应的对象传入
• p
  • minkowski距离度量方式的指数，如果p=1就是街市距离（曼哈顿距离），如果p=2就是欧式距离
• metric_params
  • metric函数的参数
• n_jobs
  • 默认是-1， 搜索neighbor过程中并行的job设置成cpu的核心数