Nearest Neighbors Regression

Demonstration der Lösung eines Regressionsproblems mithilfe eines k-Nearest Neighbor und der Interpolation des Ziels unter Verwendung von sowohl Baryzentren als auch konstanten Gewichten.

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

Beispieldaten generieren

Hier generieren wir einige Datenpunkte zur Schulung des Modells. Wir generieren auch Daten im gesamten Bereich der Trainingsdaten, um zu visualisieren, wie das Modell in diesem gesamten Bereich reagieren würde.

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))

Regressionsmodell anpassen

Hier schulen wir ein Modell und visualisieren, wie uniform und distance Gewichte bei der Vorhersage die vorhergesagten Werte beeinflussen.

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()

Verwandte Beispiele

Nearest Neighbors Klassifikation

Nearest Neighbors Klassifikation

Vergleich von Nächsten Nachbarn mit und ohne Neighborhood Components Analysis

Vergleich von Nächsten Nachbarn mit und ohne Neighborhood Components Analysis

SVM: Gewichtete Stichproben

SVM: Gewichtete Stichproben

Caching nächster Nachbarn

Caching nächster Nachbarn