Примечание

Перейти к концу, чтобы загрузить весь пример кода. или запустить этот пример в вашем браузере через JupyterLite или Binder

Регрессия ближайших соседей

Демонстрация решения задачи регрессии с использованием k-ближайших соседей и интерполяции целевой переменной с использованием как барицентров, так и постоянных весов.

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

Генерация выборочных данных

Здесь мы генерируем несколько точек данных для обучения модели. Мы также генерируем данные на всем диапазоне обучающих данных, чтобы визуализировать, как модель будет реагировать в этой области.

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))

Обучение модели регрессии

Здесь мы обучаем модель и визуализируем, как uniform и distance весы в прогнозировании влияют на предсказанные значения.

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')

Общее время выполнения скрипта: (0 минут 0,226 секунды)

Связанные примеры

Классификация ближайших соседей

Сравнение ближайших соседей с и без анализа компонентов окрестностей

SVM: Весовые примеры

Кэширование ближайших соседей

© 2007–2025 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.6/auto_examples/neighbors/plot_regression.html