前筆記中使用的for迴圈進行的網格搜尋的方式，我們可以發現不同的超引數之間是存在一種依賴關係的，像是p這個超引數，只有在 weights="uniform"才有意義
在sklearn中有一種封裝好的網格搜尋，grid search
我們首先設定乙個陣列，其內容可以當成字典來看待
對於第一組引數而言
'weights':["uniform"],
'n_nrightbors':[i for i in range (1,11)]
'weights':['distance'],
'n_neightbors':[i for i in range(1,11)],
'p': [i for i in range (1,6)]
先建立出乙個預設的不傳任何引數的kneighborsclassifier()，然後我們建立出乙個knn_clf，通過呼叫sklearn中的網格搜尋方法
from sklearn.model_selection import gridsearchcvgrid_search = gridsearchcv(knn_clf, param_grid)使用grid_search.best_estimator_即可檢視到最佳的模型所對應的引數
與之前結果不一樣的原因是因為網格搜尋的方式更加的複雜，還有交叉驗證的方式參與其中，準確度更高
其他的情況還有
我們要想拿到最佳引數對應的分類器可以直接
knn_clf = grid_search.best_estimator_結果：
knn_clf.predict(x_test)knn_clf.score(x_test, y_test)verbose引數
這是乙個輸出引數，可以在你執行的情況下進行輸出執行的情況，其可以傳入乙個整數，值越大，資訊越詳細
事實上，knn還有更多的超引數
比如更多的距離定義
●向量空間余弦相似度cosine similarity
●調整余弦相似度adjusted cosine similarity
●皮爾森相關係數pearson correlation coefficient
●jaccard相似係數jaccard coefficient
我們可以修改metric來更改對距離的定義，其預設的是明科夫斯基距離
MachineLearning 之 K 近鄰演算法
topic knn 演算法原理 常用距離演算法 決策規則 kd 樹 什麼是最近鄰演算法 nn 最近鄰演算法 nearest neighbor，簡稱 nn 其針對未知類別資料 x x 找到與其距離最近的資料 y role presentation yy，將 x x 劃入 y role presenta...
學習筆記（一）k 近鄰演算法（KNN）
終於找到 機器學習實戰 這本書了，在此記錄一些總結，便於回顧。knn的工作原理是 存在乙個樣本資料集合，也稱作訓練樣本集，並且樣本集中每個資料都存在標籤，即我們知道樣本集中每一資料與所屬分類的對應關係。輸入沒有標籤的新資料後，將新資料的每個特徵與樣本集中資料對應的特徵進行比較，然後演算法提取樣本集中...
機器學習之 K近鄰演算法（KNN）
k近鄰演算法是機器學習中的最基礎的演算法之一，也是必須會講解的演算法之一。因為其簡單，易懂。但是k近鄰演算法在實際應用中卻很少使用到，由於其侷限性很強，執行效率低下。那麼所謂的k近鄰中的近鄰是指 已有乙個訓練資料集，現給定乙個新的資料，利用現有資料集對其進行 那麼 方法便是尋找與給定資料距離最近的k...