K近邻回归
来源:互联网 发布:淘宝网丝巾大全 编辑:程序博客网 时间:2024/05/29 07:29
K近邻回归模型不需要训练参数,只需要借助周围K个最近训练样本的目标值,对待测试样本的回归值进行决策。由此就衍生出衡量待测样本回归值的不同方式,即普通的算术平均算法和考虑距离差异的加权平均。下面不具体介绍详细的算法,而是采用一个对波士顿房价进行预测的案例来使用这两种模型,并对两种模型的性能进行比较。
语言是Python3.6,集成环境是Anaconda3。
1、源代码
#导入数据from sklearn.datasets import load_bostonboston=load_boston()print(boston.DESCR)from sklearn.cross_validation import train_test_splitimport numpy as npX=boston.datay=boston.targetX_train,X_test,y_train,y_test=train_test_split(X,y,random_state=33,test_size=0.25)#分析回归目标值的差异print('max:',np.max(boston.target),'\tmin:',np.min(boston.target),'\taverage:',np.mean(boston.target))from sklearn.preprocessing import StandardScalerss_X=StandardScaler()ss_y=StandardScaler()#标准化处理X_train=ss_X.fit_transform(X_train)X_test=ss_X.fit_transform(X_test)y_train=ss_y.fit_transform(y_train)y_test=ss_y.fit_transform(y_test)#从sklearn.neighbors导入KNeighborRegressorfrom sklearn.neighbors import KNeighborsRegressor#采用平均回归的方式配置K近邻回归器uni_knr=KNeighborsRegressor(weights='uniform')uni_knr.fit(X_train,y_train)uni_knr_y_predict=uni_knr.predict(X_test)#采用距离加权回归的方式配置K近邻回归器dis_knr=KNeighborsRegressor(weights='distance')dis_knr.fit(X_train,y_train)dis_knr_y_predict=dis_knr.predict(X_test)#对两种配置方式进行测评print('R-squared value of uniform-weighted KNeighborRegrssion:',uni_knr.score(X_test,y_test))print('R-squared value of distance-weighted KNeighborRegrssion:',dis_knr.score(X_test,y_test))
2、结果分析
运行结果:
R-squared value of uniform-weighted KNeighborRegrssion: 0.651600223378
R-squared value of distance-weighted KNeighborRegrssion: 0.672625483305
从运行结果可以知道:K近邻加权平均的回归策略可以获得较高的模型性能。
阅读全文
0 0
- K近邻回归
- K 近邻
- k近邻
- k近邻
- k-近邻
- k-近邻
- k-近邻
- k近邻
- 最近邻与K近邻
- 机器学习:一些常见的监督型学习方法(K近邻、决策树、朴素贝叶斯、逻辑回归)
- python实现K近邻回归,采用等权重和不等权重
- sklearn 数据加载,数据归一,特征选择,逻辑回归,贝叶斯,k近邻,决策树,SVM
- 用k近邻和logistic回归模型识别手写数字,并比较结果
- 使用两种不同配置的K近邻回归模型对美国波士顿房价数据进行回归预测
- 使用两种不同配置的K近邻(回归)模型对美国波士顿房价数据进行回归预测
- k最近邻(k-nn)
- K-NN(k近邻算法)
- k-近邻算法(k-nn)
- Android反编译apk
- 设置系统时间格式
- 《基于特征知识的视频识别技术》笔记
- hibernate框架使用
- 学习笔记2017.07.04-day2,pm-HTML样式表-HTML图像
- K近邻回归
- 在eclipse中安装 SWT插件
- cocos用Label显示数字或英文
- C和指针——第一章——快速上手——scanf和gets的区别
- JMETER安装中遇到的问题(not able to find Java executable or version.Please check your java installation)
- React Native For Android
- PAT (Advanced Level) Practise 1091 Acute Stroke (30)
- 二叉树重建(uva 536)
- 对象深拷贝