Question

我正在制作遗传算法以找到权重，以便将它们应用于sklearn KNN中的欧氏距离，尝试提高分类率并删除数据集中的某些特征（我将此权重改为0 ）。我正在使用Python和sklearn的KNN。这就是我使用它的方式：

def w_dist(x, y, **kwargs):
   return sum(kwargs["weights"]*((x-y)*(x-y)))

KNN = KNeighborsClassifier(n_neighbors=1,metric=w_dist,metric_params={"weights": w})
KNN.fit(X_train,Y_train)
neighbors=KNN.kneighbors(n_neighbors=1,return_distance=False)
Y_n=Y_train[neighbors]
tot=0
for (a,b)in zip(Y_train,Y_vecinos):
    if a==b:
        tot+=1

reduc_rate=X_train.shape[1]-np.count_nonzero(w)/tamaño
class_rate=tot/X_train.shape[0]

它工作得很好，但速度很慢。我一直在分析我的代码，最慢的部分是距离的评估。

我想问一下是否有一些不同的方法告诉KNN在距离内使用权重（我必须使用欧氏距离，但我删除了平方根）。

谢谢！

Answer 1

确实有另一种方式，它内置于scikit-learn（因此应该更快）。您可以使用带有权重的wminkowski指标。以下是训练集中功能的随机权重示例。

knn = KNeighborsClassifier(metric='wminkowski', p=2, 
                           metric_params={'w': np.random.random(X_train.shape[1])})

sklearn KNN中的加权距离

1 个答案: