在 scikit-learn KNN 回归中变化 n_neighbors
Varying n_neighbors in scikit-learn KNN regression
我正在使用 scikit-learn 的 KNN 回归器将模型拟合到 n_neighbors = 100-500 的大型数据集。鉴于数据的性质，某些部分（想想：尖锐的 delta 函数，如峰）更适合较少的邻居（n_neighbors ~ 20-50），因此峰不会被平滑。这些峰的位置是已知的（或可以测量的）。
有没有办法改变 n_neighbors 参数？
我可以拟合两个模型并将它们拼接在一起，但那样效率很低。最好为 n_neighbors 指定 2-3 个值，或者更糟的是，发送 n_neighbors.
的列表
恐怕不会。这部分是由于一些代数假设，即关系是对称的：A 是 B 的邻居，当且仅当 B 是 A 的邻居。如果你给出不同的 k 值，你是保证打破这种对称性。
我认为主要原因很简单，算法在固定数量的邻居的情况下更简单，一般来说会产生更好的结果。您有一个 KNN 不太适合的特定情况。
我建议您将两个模型拼接在一起，根据估算的二阶导数进行切换。
我正在使用 scikit-learn 的 KNN 回归器将模型拟合到 n_neighbors = 100-500 的大型数据集。鉴于数据的性质，某些部分（想想：尖锐的 delta 函数，如峰）更适合较少的邻居（n_neighbors ~ 20-50），因此峰不会被平滑。这些峰的位置是已知的（或可以测量的）。
有没有办法改变 n_neighbors 参数？
我可以拟合两个模型并将它们拼接在一起，但那样效率很低。最好为 n_neighbors 指定 2-3 个值，或者更糟的是，发送 n_neighbors.
恐怕不会。这部分是由于一些代数假设，即关系是对称的：A 是 B 的邻居，当且仅当 B 是 A 的邻居。如果你给出不同的 k 值，你是保证打破这种对称性。
我认为主要原因很简单，算法在固定数量的邻居的情况下更简单，一般来说会产生更好的结果。您有一个 KNN 不太适合的特定情况。
我建议您将两个模型拼接在一起，根据估算的二阶导数进行切换。