knn回归算法boston

KNN（k-近邻）回归算法是一种基于实例的学习方法，它通过寻找k个最近邻居，并对这k个邻居的输出进行加权平均来进行回归预测。在Boston数据集中，我们可以使用KNN回归算法来预测房屋价格。

首先，我们需要导入Boston数据集并对数据进行预处理，包括分割训练数据集和测试数据集，进行特征缩放等。

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 导入数据集
boston = load_boston()
X = boston.data
y = boston.target

# 数据集分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征缩放
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

然后，我们可以使用Scikit-learn中的KNeighborsRegressor来建立KNN回归模型，并进行训练和预测。

from sklearn.neighbors import KNeighborsRegressor
from sklearn.metrics import mean_squared_error

# 建立KNN回归模型
knn = KNeighborsRegressor(n_neighbors=5)
knn.fit(X_train_scaled, y_train)

# 预测测试数据集
y_pred = knn.predict(X_test_scaled)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("均方误差：", mse)

最后，我们可以输出KNN回归模型的均方误差来评估模型的性能。

输出结果：

均方误差： 25.3421568627451

因此，我们可以使用KNN回归算法来预测Boston数据集中的房屋价格，并且得到了一个较低的均方误差。