1.Sklearn框架KNN演算法迴歸篇

# 導包
from sklearn.neighbors import KNeighborsRegressor
import numpy as np
import matplotlib.pyplot as plt


# 生成樣本資料
x=np.linspace(-np.pi,np.pi,40)
# display(x)
y=np.sin(x)
display(y)
plt.scatter(x,y)

資料展示結果圖：

增加噪音資料

# 增加噪音資料  [0,1)  [-0.5,0.5)
noise=np.random.random(size=20)-0.5
# noise


# 將y中的40個值每隔一個數值加上噪音資料，也就是讓奇數位隨機的在-0.5到0.5之間浮動
y[::2]+=noise


plt.scatter(x,y)
 

增加噪音資料後圖形化

訓練預測

# 生成測試資料
x_train=x.reshape(-1,1)
y_train=y
display(x_train,y)


# 構建KNN物件   訓練資料
knn=KNeighborsRegressor(n_neighbors=7)
knn.fit(x_train,y_train)


# 測試資料
x_test=np.linspace(-np.pi,np.pi,100).reshape(-1,1)
x_test
# 開始預測
y_=knn.predict(x_test)


plt.plot(x_test,y_,color="red")
plt.scatter(x_train,y_train,color="green")

# 欠擬合  過擬合