假设我的数据点包含许多包含纬度，长坐标的要素。
我想使用KneighborsRegressor使用指标＆＃34; hasrsine＆＃34;在拉特朗斯。如何为回归量准备数据X_train, Y_train？
k_clf = KNeighborsRegressor(n_neighbors=num_neigh,weights=myweights,algorithm='ball_tree',metric='haversine')
clf.fit(X_train,Y_train)
或者，如果我决定编写自己的度量标准，该函数会收到一个numpy ndarray，每个点有10个值，如何区分lats和longs？
答案 0 :(得分：1)
来自sklearn文档：http://scikit-learn.org/stable/modules/generated/sklearn.neighbors.DistanceMetric.html
对于问题的第一部分：使用针对KNN回归的hasrsine指标：
用于二维向量空间的度量标准：请注意，半径距离度量标准需要[纬度，经度]形式的数据，输入和输出均以弧度为单位。
因此X_train的第一列应为纬度，第二列应为经度。
现在，对于问题的第二部分，如果要定义自己的指标，则可以选择X_train的格式。但请记住，如果您想使用"ball_tree"算法，您的指标必须是数学距离：
Non-negativity: d(x, y) >= 0
Identity: d(x, y) = 0 if and only if x == y
Symmetry: d(x, y) = d(y, x)
Triangle Inequality: d(x, y) + d(y, z) >= d(x, z)
否则您将只能使用"brute"算法。