混淆sklearn距離算法

雖然我想在KNeighborsClassifier中使用標準Euclidean度量。混淆sklearn距離算法

knn = KNeighborsRegressor(n_neighbors=k,metric='seuclidean') 
knn.fit(newx,y)

和顯示的類型錯誤：

C:\Anaconda3\lib\site-packages\sklearn\neighbors\base.py in fit(self, X, y) 
    741    X, y = check_X_y(X, y, "csr", multi_output=True) 
    742   self._y = y 
--> 743   return self._fit(X) 
    744 
    745 

C:\Anaconda3\lib\site-packages\sklearn\neighbors\base.py in _fit(self, X) 
    238    self._tree = BallTree(X, self.leaf_size, 
    239         metric=self.effective_metric_, 
--> 240         **self.effective_metric_params_) 
    241   elif self._fit_method == 'kd_tree': 
    242    self._tree = KDTree(X, self.leaf_size, 

sklearn\neighbors\binary_tree.pxi in sklearn.neighbors.ball_tree.BinaryTree.__init__ (sklearn\neighbors\ball_tree.c:9220)() 

sklearn\neighbors\dist_metrics.pyx in sklearn.neighbors.dist_metrics.DistanceMetric.get_metric (sklearn\neighbors\dist_metrics.c:4821)() 

sklearn\neighbors\dist_metrics.pyx in sklearn.neighbors.dist_metrics.SEuclideanDistance.__init__ (sklearn\neighbors\dist_metrics.c:6399)() 

TypeError: __init__() takes exactly 1 positional argument (0 given)

我只需要輸入我自己的功能，實現KNN，如：

import numpy as np 
from sklearn.preprocessing import StandardScaler 
x = np.random.randint(0,10,(10,2)) 
y = np.random.randint(0,10,(10,1)) 
testx = np.random.randint(0,10,(1,2)) 
sds = StandardScaler() 
sds.fit(x) 
sklean_newx = sds.transform(x) 
sklearn_newtestx = sds.transform(testx) 
distance = np.sqrt(((testx - newx) ** 2).sum(axis=1)) 
for k in range(1,8): 
    kn = distance.argsort()[:k] 
    print(y[kn].mean(), '%'*10, k)

的sklearn：

for k in range(1,8): 
    knn = KNeighborsRegressor(n_neighbors=k,metric='seuclidean' , metric_params={'V':x.std(axis=0)}) 
    knn.fit(x ,y) 
    print(knn.predict(testx)[0], '%'*10, k)

上述兩結果不一致，爲什麼？

來源

2017-05-02 Li Ziming

如果用本頁底部的文檔示例中的'X'和'y'替換'newx'和'y'，是否會得到相同的錯誤？ http://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KNeighborsRegressor.html –

的seuclidean距離度量需要V參數以滿足以下的計算：

sqrt(sum((x - y)^2/V))

作爲sklearnDistance Metrics文檔中定義。

您可以在KNeighborsRegressor初始化中使用metric_params參數傳遞V（請參閱KNR docs）。

來源

2017-05-02 04:20:12

是的，我輸入這一行metric_params = {'V'：x.std（axis = 0）}。但結果不是我想要的。 –

請注意，'sqrt'應用於'V'，所以我想你可能想要傳入'var'而不是'std'。但你的問題最初是關於我在這個答案中提到的錯誤。現在你已經改變了你的問題，問爲什麼兩個計算是不同的，這是一個完全不同的問題。請考慮保留原始問題的文本相同，並針對您的計算單獨打開一個問題。 –

非常感謝！ –

混淆sklearn距離算法

回答

相關問題