plt.scatter(x_train[y_train==0,0],x_train[y_train==0,1],color='r') plt.scatter(x_train[y_train==1,0],...],x_train[y_train==0,1],color='r') plt.scatter(x_train[y_train==1,0],x_train[y_train==1,1],color='b')...通过两幅图的对比,
我们很明显的看到 左下角的一个点预测错误,其余都正确 ,
这里我们很直观的就可以感受到 KNN 算法的整个流程,
其中最关键的还是在 预测数据那块,
那么接下来我们就来剖析下...=i) knn.fit(x_train,y_train) y_predict = knn.predict(x_test) s = score(y_predict,y_test)...P 这个 超参数的,
来调整距离计算的方式
当然还有很多距离的计算方式,
比如:余弦相似度,皮尔森相似度等
这一小节我们主要介绍了 KNN的 另外两个超参数,
并且知道通过循环遍历的方式可以求解