实现 K 近邻回归算法 | 机器学习

介绍

在这个项目中，你将学习如何使用 Python 实现 K 近邻（KNN）回归算法。KNN 是一种广泛使用的机器学习方法，通常用于分类问题。然而，它也可以应用于回归任务，其目标是预测一个连续的目标值。

🎯 任务

在这个项目中，你将学习：

如何理解 KNN 回归算法及其工作原理
如何在 Python 中实现 KNN 回归算法
如何计算测试数据与训练数据之间的欧几里得距离
如何识别 k 个最近邻并检索它们的目标值
如何计算 k 个最近邻的目标值的平均值，以预测测试数据的输出

🏆 成果

完成这个项目后，你将能够：

使用 Python 从头开始实现 KNN 回归算法
在 KNN 算法中使用欧几里得距离作为距离度量
应用 KNN 回归算法预测连续的目标值
展示机器学习算法实现的实践技能

实现 KNN 回归算法

在这一步中，你将学习如何使用 Python 实现 K 近邻（KNN）回归算法。按照以下步骤完成此步骤：

在你喜欢的代码编辑器中打开 knn_regression.py 文件。
找到 knn(train_data, train_labels, test_data, k) 函数。此函数将是 KNN 回归算法的主要实现。
train_data 参数是已知样本的特征数据，train_labels 是已知样本的目标值，test_data 是单个未知样本的特征数据，k 表示 K 近邻中使用的最近邻数量。
在 knn() 函数内部，首先计算 test_data 与所有训练样本之间的欧几里得距离。你可以使用 numpy.sqrt() 和 numpy.sum() 函数来计算欧几里得距离。

distances = np.sqrt(np.sum((train_data - test_data) ** 2, axis=1))

接下来，通过对距离进行排序并取前 k 个索引来获取 k 个最近邻的索引。

nearest_indices = np.argsort(distances)[:k]

使用 nearest_indices 获取 k 个最近邻的标签。

nearest_labels = train_labels[nearest_indices]

计算 k 个最近邻标签的平均值，以获得单个未知样本 test_data 的预测目标值。

predicted_label = np.mean(nearest_labels)

使用 round() 函数将预测标签最多保留两位小数。

predicted_label = round(predicted_label, 2)

最后，返回单个未知样本 test_data 的预测目标值。

return predicted_label

保存 knn_regression.py 文件。

测试 KNN 回归算法

在这一步中，你将通过运行提供的示例来测试 KNN 回归算法的实现。

在你的代码编辑器中打开 knn_regression.py 文件。

在文件底部添加以下测试用例：

if __name__ == "__main__":
    train_data = np.array(
        [[1, 1], [2, 2], [3, 3], [4, 4], [5, 5], [6, 6], [7, 7], [8, 8], [9, 9], [10, 10]]
    )
    train_labels = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
    test_data = np.array([[1.2, 1.3]])

    result = knn(train_data, train_labels, test_data, k=3)
    print(result)

运行以下命令来执行该示例：