K近邻回归交叉验证代码，其中交叉验证得分为均方误差

K近邻回归是一种常用的机器学习算法，用于解决回归问题。交叉验证是一种评估模型性能的方法，可以有效地评估模型的泛化能力。均方误差是回归问题中常用的评价指标，用于衡量预测值与真实值之间的差异。

下面是一个使用K近邻回归和交叉验证计算均方误差的示例代码：

from sklearn.neighbors import KNeighborsRegressor
from sklearn.model_selection import cross_val_score
from sklearn.metrics import mean_squared_error
import numpy as np

# 创建K近邻回归模型
knn = KNeighborsRegressor(n_neighbors=3)

# 准备数据
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
y = np.array([1, 2, 3, 4])

# 使用交叉验证计算均方误差
mse_scores = -cross_val_score(knn, X, y, cv=5, scoring='neg_mean_squared_error')

# 输出均方误差
print("均方误差：", mse_scores.mean())

在这个示例中，我们首先导入了需要的库，包括`KNeighborsRegressor`（K近邻回归模型）、`cross_val_score`（交叉验证函数）和`mean_squared_error`（均方误差函数）。然后，我们创建了一个K近邻回归模型，并准备了输入特征矩阵`X`和目标变量`y`。接下来，我们使用`cross_val_score`函数进行交叉验证，其中`cv=5`表示使用5折交叉验证，`scoring='neg_mean_squared_error'`表示使用均方误差作为评价指标。最后，我们输出了均方误差的平均值。

希望这个示例能够帮助你理解K近邻回归和交叉验证的代码实现。