如何从 kNeighborsClassifier 中找到前 n 个匹配项？
How to find top n matches from kNeighborsClassifier?
我正在尝试从一组样本向量中搜索一个向量，每个向量都有一个标签。我需要找到最好的 n 匹配项。我为此使用 kNeighborsClassifier。
nbrs = KNeighborsClassifier(n_neighbors=2, algorithm='ball_tree', metric='euclidean').fit(train_data_array, train_label)
yp = nbrs.predict(xt)
但问题是它 returns 只有前 1 个结果。我认为根据欧几里得距离，我可以得到顶部 n 匹配项，但我不确定如何提取该信息。
有一个 kneighbors() method in KNeighborsClassifier 可以使用。
它将 return 训练数据的索引（您在 fit() 中使用），以及最接近您在其中提供的点的距离。
示例：
from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
iris = datasets.load_iris()
X = iris.data
y = iris.target
clf = KNeighborsClassifier()
clf.fit(X, y)
# here I am taking a single point only
distances, indices = clf.kneighbors(X[[0]], n_neighbors=2)
print(distances, indices)
#Output: array([[0., 0.]]), array([[17, 0]])
这里第一个输出是距离，第二个是 X 的索引，最接近 X[[0]]
我正在尝试从一组样本向量中搜索一个向量，每个向量都有一个标签。我需要找到最好的 n 匹配项。我为此使用 kNeighborsClassifier。
nbrs = KNeighborsClassifier(n_neighbors=2, algorithm='ball_tree', metric='euclidean').fit(train_data_array, train_label)
yp = nbrs.predict(xt)
但问题是它 returns 只有前 1 个结果。我认为根据欧几里得距离，我可以得到顶部 n 匹配项，但我不确定如何提取该信息。
有一个 kneighbors() method in KNeighborsClassifier 可以使用。
它将 return 训练数据的索引（您在 fit() 中使用），以及最接近您在其中提供的点的距离。
示例：
from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
iris = datasets.load_iris()
X = iris.data
y = iris.target
clf = KNeighborsClassifier()
clf.fit(X, y)
# here I am taking a single point only
distances, indices = clf.kneighbors(X[[0]], n_neighbors=2)
print(distances, indices)
#Output: array([[0., 0.]]), array([[17, 0]])
这里第一个输出是距离，第二个是 X 的索引，最接近 X[[0]]