【python】KNN总结

• 一、原理
• 二、主要因素
• 三、模型训练的流程
• 四、超参调试
• 五、KNN数据保存
• 六、KNN测试使用模型
• • 1.加载模型
  • 2.创建一组新数据
  • 3.使用模型对数据进行分类

从训练集中找到和新数据最近的k条记录，根据这些记录的分类决定新数据的分类。

k的大小、训练数据集大小、欧式距离
（1）如何算距离：欧式距离公式
（2）找邻居：圈定一个距离最近的k个训练对象
（3）做分类：根据这些记录的分类

（1）数据获取
（2）数据处理

• 特征数据 标签数据
• dataframe合并操作（添加列）
• 数据洗牌（顺序打乱–序列乱套）
• 对index行索引进行重新排序
• 数据格式转换（dataframe->numpy、维度转换）

（3）数据分割 训练集 测试集
（4）算法选择：KNN分类也有回归算法
（5）模型训练 ： 使用训练集训练数据
（6）模型评分：模型的准确率（使用测试集评分）
（7）模型预测：使用测试集的数据进行预测

把模型训练的更好 找最合适的参数
1、k 小于数据集数量的平方根
2、权重weights：
3、欧氏距离当中的次方数求和p
4、交叉验证 —测试数据 训练数据分割多块 取均值

joblib.dump（value=，filename=）

joblib.load(filename=)

数据结构 要变成npdrray

predict