構建一個KNN迴歸器

程式碼如下:

# -*- coding:utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt
from sklearn import neighbors

''' KNN 迴歸器'''

# 生成樣本資料
amplitude = 10
num_points = 100
x = amplitude * np.random.rand(num_points, 1)-0.5*amplitude

# 計算目標並新增噪聲 sinc 辛格函式 稱為取樣函式 抽樣函式 基本正弦函式
# sinc(x)=sin(x)/x(x!=0)=1(x=0)
 

y = np.sinc(x).ravel()
y += 0.2*(0.5-np.random.rand(y.size))

# 畫出圖形
plt.figure()
plt.scatter(x,y,s=40,c='k',facecolor='none')
plt.title('Input data')

# 定義更加密集的網格 輸入資料的10倍數定義網格
x_values=np.linspace(-0.5*amplitude,0.5*amplitude,10*num_points)[:,np.newaxis]

# 定義最近鄰網格
num_neighbors=8

# 定義並訓練迴歸器
knn_regressor=neighbors.KNeighborsRegressor(num_neighbors,weights='distance'
 
)
y_values=knn_regressor.fit(x,y).predict(x_values)

plt.figure()
plt.scatter(x,y,s=40,c='k',facecolors='none',label='input_data')
plt.plot(x_values,y_values,c='k',linestyle='--',label='Predicted values')
plt.xlim(x.min()-1,x.max()+1)
plt.ylim(y.min()-0.2,y.max()+0.2)
# 用於顯示圖例
plt.legend()
plt.title('K nearest  Neignbors Regressor'
 
)
plt.show()

輸入資料分佈圖如下所示:

KNN迴歸器 預測值如下所示: