knn 分类算法调参代码实例

以下是一个knn分类算法调参的代码实例：

# 导入必要的库
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()

# 构建模型
knn = KNeighborsClassifier()

# 定义要调整的参数和参数取值范围
param_grid = {
    'n_neighbors': [3, 5, 7],
    'weights': ['uniform', 'distance'],
    'algorithm': ['auto', 'ball_tree', 'kd_tree', 'brute'],
    'leaf_size': [10, 20, 30, 40, 50],
}

# 使用网格搜索进行调参
grid_search = GridSearchCV(knn, param_grid=param_grid, cv=5, n_jobs=-1)
grid_search.fit(iris.data, iris.target)

# 输出最优参数和最优得分
print('Best parameters:', grid_search.best_params_)
print('Best score:', grid_search.best_score_)

在这个例子中，我们首先加载了鸢尾花数据集，然后构建了一个KNN分类器。接下来，我们定义了要调整的参数和参数取值范围。我们使用GridSearchCV进行网格搜索，将搜索结果保存在grid_search对象中。最后，我们输出了最优参数和最优得分。

注意，这个例子中的参数和参数取值范围仅作为示例，实际应用中需要根据具体问题进行调整。