knn算法python代码波士顿房价

以下是使用KNN算法进行波士顿房价预测的Python代码：

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsRegressor
from sklearn.metrics import mean_squared_error

# 加载数据集
boston = load_boston()

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)

# 定义KNN回归模型
knn = KNeighborsRegressor(n_neighbors=5)

# 拟合数据
knn.fit(X_train, y_train)

# 预测测试集
y_pred = knn.predict(X_test)

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

以上代码使用KNN回归模型对波士顿房价数据集进行拟合，并预测测试集的房价。最后计算均方误差（MSE）来评估模型的性能。

相关问题

knn算法python代码

以下是一个简单的KNN算法Python代码示例：

import numpy as np
from sklearn.neighbors import KNeighborsClassifier

# 数据集
X_train = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]])
y_train = np.array([0, 0, 1, 1, 1])

# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 预测新数据点
X_test = np.array([[4, 5], [8, 9]])
y_pred = knn.predict(X_test)

print(y_pred)

在上述示例中，我们使用sklearn库中的KNeighborsClassifier实现了KNN算法。首先，我们定义了一个训练集，包含5个二维数据点和它们的类别标签。然后，我们创建了一个KNN分类器，指定了K的值为3。接着，我们用训练集训练了模型。最后，我们使用新的数据点进行预测，并输出它们的预测类别标签。