sklearn库的KNeighborsRegressor和KNeighborsClassifier有什么区别？
我正在尝试使用kNN算法对数据集进行预测，该数据集具有某些情感（如快乐，悲伤，愤怒）的名称，作为可能的类。这些属性是数字像素值。我了解到这些属于绝对类型。我是第一次使用sklearn，无法在KneighborsRegressor和KNeighborsClassifier之间进行选择。我的情况有很大的不同吗？在哪种情况下会使用这些？
答案 0 :(得分：1)
KNeighborsRegressor和KNeighborsClassifier密切相关。两者都检索查询对象的k个邻居，并根据这些邻居进行预测。假设查询x的五个最近邻居包含标签[2，0，0，0，1]。让我们将情绪编码为快乐= 0，愤怒= 1，悲伤= 2。
KNeighborsClassifier本质上是多数表决。查询x的预测为0，表示“高兴”。所以这就是去这里的方式。
KNeighborsRegressor会计算最近邻居标签的平均值。预测将为3/5 = 0.6。但这并没有映射到我们定义的任何情感。原因是情感变量确实是分类的，如问题中所述。
如果您将情绪编码为连续变量，则可以使用回归器。假设这些值的间隔为[0.0，2.0]，其中0表示真的很高兴，而2表示真的很悲伤，现在0.6表示含义（很高兴）。
顺便说一句，由于您在关键字中提到了逻辑回归，因此请不要对名称感到困惑。如scikit-learn user guide中所述，它实际上是分类。
答案 1 :(得分：0)
我认为两者的KNN算法风格都相同。但是它们有不同的输出。一个给你回归和其他分类。为了理解您的问题，我认为您应该检查分类和回归如何不同。检查此链接，它将为您更加清楚。
[https://math.stackexchange.com/questions/141381/regression-vs-classification][1]