knn的回归代码验证

KNN (K-Nearest Neighbors) 回归是一种基于实例的学习方法，它通过寻找训练集中与目标样本最相似的k个邻居来进行预测。在Python中，可以使用scikit-learn库来实现KNN回归。下面是一个简单的KNN回归代码示例：

from sklearn.neighbors import KNeighborsRegressor
import numpy as np
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split

# 加载波士顿房价数据集
boston = load_boston()
X, y = boston.data, boston.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建KNN回归模型，设定k值为5
knn_regressor = KNeighborsRegressor(n_neighbors=5)

# 训练模型
knn_regressor.fit(X_train, y_train)

# 预测测试集
y_pred = knn_regressor.predict(X_test)

# 评估模型性能，比如计算均方误差(MSE)
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

# 验证代码：检查预测结果是否合理，比如查看几个预测点与实际值的关系
sample_indices = [0, 5, -1]  # 可以选择一些索引来查看
for index in sample_indices:
    print(f"Predicted value for observation {index}: {y_pred[index]}, Actual value: {y_test[index]}")

在这个例子中，我们首先加载数据，划分训练集和测试集，然后创建并训练KNN回归模型，最后对测试集进行预测，并评估模型性能。