1.Sklearn框架KNN算法回归篇
# 导包
from sklearn.neighbors import KNeighborsRegressor
import numpy as np
import matplotlib.pyplot as plt
# 生成样本数据
x=np.linspace(-np.pi,np.pi,40)
# display(x)
y=np.sin(x)
display(y)
plt.scatter(x,y)
数据展示结果图:
增加噪音数据
# 增加噪音数据 [0,1) [-0.5,0.5)
noise=np.random.random(size=20)-0.5
# noise
# 将y中的40个值每隔一个数值加上噪音数据,也就是让奇数位随机的在-0.5到0.5之间浮动
y[::2]+=noise
plt.scatter(x,y)
增加噪音数据后图形化
训练预测
# 生成测试数据
x_train=x.reshape(-1,1)
y_train=y
display(x_train,y)
# 构建KNN对象 训练数据
knn=KNeighborsRegressor(n_neighbors=7)
knn.fit(x_train,y_train)
# 测试数据
x_test=np.linspace(-np.pi,np.pi,100).reshape(-1,1)
x_test
# 开始预测
y_=knn.predict(x_test)
plt.plot(x_test,y_,color="red")
plt.scatter(x_train,y_train,color="green")
# 欠拟合 过拟合