k = 5 error = 0 color_cate = {1: 'b', 2: 'r', 3: 'g', 4: 'y'} plt.figure(figsize=(10, 6)) for index1, item1 in enumerate(zip(raw_data, pca_data)): raw_points, pca_points = item1[0], item1[1] x_train, y_train = [], [] for index2, item2 in enumerate(raw_data): if index1 != index2: x_train.append(item2[1:]) y_train.append(item2[0]) knn = KNeighborsClassifier(n_neighbors=k, weights='distance') knn.fit(x_train, y_train) x_test = [raw_points[1:]] predict = knn.predict(x_test) if predict[0] != raw_points[0]: error += 1 print('预测：', predict[0], '真实：', raw_points[:1])报错Traceback (most recent call last): File "E:\好好学习\数据分析\test\analysis\PCA.py", line 55, in <module> knn.fit(x_train, y_train) File "D:\Anoconda\1\lib\site-packages\sklearn\neighbors\_classification.py", line 198, in fit return self._fit(X, y) File "D:\Anoconda\1\lib\site-packages\sklearn\neighbors\_base.py", line 420, in _fit check_classification_targets(y) File "D:\Anoconda\1\lib\site-packages\sklearn\utils\multiclass.py", line 197, in check_classification_targets raise ValueError("Unknown label type: %r" % y_type) ValueError: Unknown label type: 'continuous'

这个错误提示表明，在训练 K 近邻分类器时，y_train 的类型不符合要求。K 近邻算法是一个监督学习算法，需要为每个样本提供一个标签，标签应该是离散的类别标记。然而，这个错误提示显示 y_train 的类型是 'continuous'，即连续值，因此不能直接用于训练分类器。

为了解决这个问题，您可以检查一下数据集中的标签类型是否正确。如果标签确实是连续值，那么您需要将其转换为离散的类别标记，例如将连续值按阈值划分为几个离散的类别。如果标签本来就是离散的类别标记，那么您可能需要检查一下数据集读入和处理的过程，确保标签被正确地处理和转换。

另外，如果您确定标签是离散的类别标记，那么可以尝试修改代码，将标签 y_train 的类型转换为整数类型，例如：

import numpy as np

# ... 代码省略部分内容 ...

# 检查 y_train 的类型是否为整数类型
if not isinstance(y_train[0], int):
    y_train = np.array(y_train)  # 将 y_train 转换为 numpy 数组类型
    y_train = y_train.astype('int')  # 将 y_train 转换为整数类型
knn = KNeighborsClassifier(n_neighbors=k, weights='distance')
knn.fit(x_train, y_train)

这里使用 isinstance 函数检查 y_train 的第一个元素是否为整数类型，如果不是，则将 y_train 转换为 numpy 数组类型，并使用 astype 函数将 y_train 的元素转换为整数类型。这样就可以将标签转换为离散的类别标记，可以用于训练 K 近邻分类器了。