أقرب جيران الانحدار#

توضيح حل مشكلة الانحدار باستخدام أقرب جيران k- ونظام الاستيفاء للهدف باستخدام كل من الأوزان الثابتة والمركز الثقل.

توليد بيانات العينة#

هنا نقوم بتوليد بعض نقاط البيانات لاستخدامها في تدريب النموذج. كما نقوم بتوليد بيانات في النطاق الكامل لبيانات التدريب لتوضيح كيفية تفاعل النموذج في تلك المنطقة بالكامل.

import matplotlib.pyplot as plt
import numpy as np

from sklearn import neighbors

rng = np.random.RandomState(0)
X_train = np.sort(5 * rng.rand(40, 1), axis=0)
X_test = np.linspace(0, 5, 500)[:, np.newaxis]
y = np.sin(X_train).ravel()

# إضافة ضوضاء إلى الأهداف
y[::5] += 1 * (0.5 - np.random.rand(8))

نموذج الانحدار المناسب#

هنا نقوم بتدريب نموذج وتوضيح كيفية تأثير الأوزان 'الموحدة' و 'المسافة' في التنبؤ بالقيم المتوقعة.

n_neighbors = 5

for i, weights in enumerate(["uniform", "distance"]):
    knn = neighbors.KNeighborsRegressor(n_neighbors, weights=weights)
    y_ = knn.fit(X_train, y).predict(X_test)

    plt.subplot(2, 1, i + 1)
    plt.scatter(X_train, y, color="darkorange", label="data")
    plt.plot(X_test, y_, color="navy", label="prediction")
    plt.axis("tight")
    plt.legend()
    plt.title("KNeighborsRegressor (k = %i, weights = '%s')" % (n_neighbors, weights))

plt.tight_layout()
plt.show()
KNeighborsRegressor (k = 5, weights = 'uniform'), KNeighborsRegressor (k = 5, weights = 'distance')

Total running time of the script: (0 minutes 0.282 seconds)

Related examples

تصنيف أقرب الجيران

تصنيف أقرب الجيران

مقارنة أقرب الجيران مع وبدون تحليل مكونات الحي

مقارنة أقرب الجيران مع وبدون تحليل مكونات الحي

الحد من الأبعاد باستخدام تحليل مكونات الجوار

الحد من الأبعاد باستخدام تحليل مكونات الجوار

الاحتفاظ بأقرب الجيران في الذاكرة المؤقتة

الاحتفاظ بأقرب الجيران في الذاكرة المؤقتة

Gallery generated by Sphinx-Gallery