KNeighborsClassifier參數說明KNeighborsClassifier(n_neighbors=5, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None, **kwargs)
n_neighbors：所選用的近鄰數，相當於K.
weights：預測的權函數，概率值。
weights的參數設置
‘uniform’：同一的權重，即每個鄰域中的所有點都是平均加權的。
‘distance’ ：這種情況下，距離越近權重越大，反之，距離越遠其權重越小。
[callable]（可調用）：用戶定義的函數，它接受一個距離數組，並返回一個包含權重的相同形狀的數組
algorithm ：用於計算最近鄰居的算法,。有{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}
‘auto’ ：根據樣本數據自動刷選合適的算法。
‘ball_tree’：構建“球樹”算法模型。
‘kd_tree’ ：‘’kd樹‘’算法。
‘brute’ ：使用蠻力搜索，即或相當於Knn算法，需遍歷所有樣本數據與目標數據的距離，進而按升序排序從而選取最近的K個值，采用投票得出結果。
leaf_size：葉的大小，針對算法為球樹或KD樹而言。這個設置會影響構造和查詢的速度，以及存儲樹所需的內存。最優值取決於問題的性質。
metric：用於樹的距離度量。默認度量是Minkowski，p=2等價於標准的歐幾里德度量。有關可用度量的列表，可以查閱距離度量類的文檔。如果度量是“預先計算的”，則假定X是距離矩陣，在擬合期間必須是平方。
p：Minkowski度量參數的參數來自sklearn.emeics.pairwise.pairwise_距離。當p=1時，這等價於使用曼哈頓距離(L1)，歐幾里得距離(L2)等價於p=2時，對於任意的p，則使用Minkowski_距離(L_P)。
metric_params：度量函數的附加關鍵字參數，設置應為dict（字典）形式。
n_jobs：要為鄰居搜索的並行作業的數量。None指1，除非在 joblib.parallel_backend背景。-1意味着使用所有處理器，若要了解相關的知識應該具體查找一下。
方法：
| fit(self, X[, y]) |
以X為訓練數據，y為目標值擬合模型 |
| get_params(self[, deep]) |
獲取此估計器的參數。 |
| kneighbors(self[, X, n_neighbors, …]) |
找到點的K鄰域。 |
| kneighbors_graph(self[, X, n_neighbors, mode]) |
計算X中點的k-鄰域(加權)圖 |
| predict(self, X) |
預測提供的數據的類標簽 |
| predict_proba(self, X) |
返回測試數據X的概率估計。 |
| score(self, X, y[, sample_weight]) |
返回給定測試數據和標簽的平均精度。 |
| set_params(self, \*\*params) |
設置此估計器的參數。 |
KNeighborsClassifier：
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
import pandas as pd
dataset = pd.read_csv('f:pycharm data/colors.csv',dtype = np.str)
#取所有特征列
x = dataset.iloc[:,:-1]
#取標簽列
y = dataset.iloc[:,-1]
#建立模型
model = KNeighborsClassifier(3)
#訓練模型
model.fit(x,y)
#預測
predict_data = [[3,3,2],
[1,3,2],
[5,2,5]]
result = model.predict(predict_data)
print(result)