顯示 eight nbsp 根據 情況下 ima 測試 job 個數

No.1. kNN算法中需要傳入一個參數k，這個參數k的作用之前提到過，它就是指距離待預測數據最近的前k個數據，這個參數k的具體大小應該如何選擇？超參數問題就是描述的這類問題。 No.2. 所謂"超參數"，就是指在算法運行之前需要進行指定的參數；與"超參數"向對應的是"模型參數"，"模型參數"是在算法運行過程中學習得到的參數。需要提的一點是，kNN算法中並沒有模型參數，但是，kNN算法中的參數k，是典型的超參數。機器學習算法工程師的一項重要工作就是"調參"，通常來講，調參所要調的就是超參數。 No.3. 尋找好的超參數的方法 主要有三種方法：根據相關領域的知識來確定超參數；根據經驗數值來確定超參數；實驗搜索確定超參數 No.4. 下面我們通過實驗搜索來確定超參數 實驗前的準備

尋找參數的具體邏輯

No.5. kNN近鄰算法中還有一個比較隱秘的超參數，即待預測點與訓練數據集中每個點的距離，當最終的k個點裏面每種類型的點數相同的情況下，我們就必須要考慮哪種類型的點與待預測點更接近；即使在每種類型的點數不同的情況下，如果點數多的類型距離待預測點都相對較遠，我們也有必要考慮加入距離權重。 考慮距離權重的情況下，再次進行參數尋找

從運行結果來看，對於這個數據集，在不考慮距離、參數k為4的情況下，準確性更高 No.6. 我們之前計算待預測點與訓練數據集中的每個點的距離，使用的都是"歐拉距離"，即下圖中參數p為2時的情況；當這個參數p的值為1時，這個距離稱之為"曼哈頓距離"；這個帶參數p的距離公式稱之為"明可夫斯基距離"，這裏的參數p也是一個"超參數"，我們同樣可以尋找最佳參數p

將參數p添加到業務邏輯中：

從運行結果來看，考慮距離權重的情況下，使用歐拉距離，並選擇k值為3會使準確性更高 No.7. 上面的參數尋找過程存在一個問題：有些參數之間存在關聯，我們想要尋找更佳的參數p的話，weights參數的值就必須選擇為"distance"，否則傳入的參數p就會無效，sklearn提供了一種更好的參數搜索方式——網格搜索"Grid Search" No.8. 在使用Grid Search之前，首先要定義我們的參數

進行參數搜索：

從上面搜索的結果來看，在考慮距離權重，且用於距離計算的參數p為3，k值為3的情況下準確性更好 No.9. 搜索得到最佳參數之後，我們需要使用這些最佳參數所以對應的分類器，來對測試數據進行預測

查看預測的準確率：

No.10. Grid Search中還有一些其它的參數，"n_jobs"用於指定進行搜索使用的CPU核心數，該參數設置為-1時會使用CPU的所有核心；"verbose"用於顯示搜索的過程，指定的數值越大，顯示的信息越詳細

第四十八篇 入門機器學習——超參數問題