跳到主要内容

K近邻分类（KNeighborsClassifier）使用文档

组件名称K近邻分类（KNeighborsClassifier）
工具集机器学习
组件作者雪浪云-墨文
文档版本1.0
功能K近邻分类（KNeighborsClassifier）
镜像名称ml_components:3
开发语言Python

组件原理​

在模式识别中，k近邻算法(k-NN)是一种用于分类和回归的非参数方法。在这两种情况下，输入由特征空间中k个最近的训练实例组成。输出取决于k-NN是用于分类还是回归：

  • 在k-NN分类中，输出是一个类成员。一个对象通过其邻居的多数投票进行分类，对象被分配到k个最近邻居中最常见的类中(k是一个正整数，通常很小)。如果k = 1，那么对象就被简单地分配给那个最近邻居的类。

  • 在k-NN回归中，输出是对象的属性值。这个值是k个最近邻值的平均值。

k-NN是一种基于实例的学习，或称为懒惰学习，它只对函数进行局部逼近，所有计算都延迟到分类时。

无论是分类还是回归，有一个有用的技术，可以为临近点的贡献分配权重，这样，距离较近的邻居对平均值的贡献就会大于距离较远的临近点。例如，一个常见的权重方案是给每个邻居一个1/d的权重，其中d是到邻居的距离。

近邻点是从一组对象中提取的，对于这些对象，类别(用于k-NN分类)或对象属性值(用于k-NN回归)是已知的。这可以看作是算法的训练集，尽管不需要显式的训练步骤。

k-NN算法的一个特点是对数据的局部结构敏感。

输入桩​

支持单个csv文件输入。

输入端子1​

  • 端口名称：训练数据
  • 输入类型：Csv文件
  • 功能描述： 输入用于训练的数据

输出桩​

支持sklearn模型输出。

输出端子1​

  • 端口名称：输出模型
  • 输出类型：sklearn模型
  • 功能描述： 输出训练好的模型用于预测

参数配置​

N Neighbors​

  • 功能描述：kneighbors默认使用的近邻数量。
  • 必选参数：是
  • 默认值：5

weights​

  • 功能描述：用于预测的权函数。uniform，distance。
  • 必选参数：是
  • 默认值：uniform

algorithm​

  • 功能描述：计算最近邻的算法。‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’。
  • 必选参数：是
  • 默认值：auto

Leaf Size​

  • 功能描述：传递给巴利树或KDTree的叶大小。
  • 必选参数：是
  • 默认值：30

p​

  • 功能描述：Minkowski度量的幂参数。
  • 必选参数：是
  • 默认值：2

metric​

  • 功能描述：树的距离度量标准。
  • 必选参数：是
  • 默认值：minkowski

N Jobs​

  • 功能描述：为邻居搜索运行的并行作业数。
  • 必选参数：否
  • 默认值：（无）

需要训练​

  • 功能描述：该模型是否需要训练，默认为需要训练。
  • 必选参数：是
  • 默认值：true

特征字段​

  • 功能描述： 特征字段
  • 必选参数： 是
  • 默认值： （无）

识别字段​

  • 功能描述： 目标字段
  • 必选参数： 是
  • 默认值： （无）

使用方法​

  • 将组件拖入到项目中
  • 与前一个组件输出的端口连接（必须是csv类型）
  • 点击运行该节点