Python 如何评估每对变量的KNN分类器？

我使用了

permutation\u importance

来找出哪些值是最重要的

from sklearn.neighbors import KNeighborsClassifier
import numpy as np
from sklearn.inspection import permutation_importance


columns=['progresion', 'tipo']

X = df_cat.drop(columns, axis = 1)
y = df_cat['progresion']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state = 42)

knn = KNeighborsClassifier()

knn.fit(X_train,y_train)

results = permutation_importance(knn, X, y, scoring='accuracy')

importance = results.importances_mean

for i,v in enumerate(importance):
   print('Feature: %0d, Score: %.5f' % (i,v))

---

但我想做的是对每对变量的KNN分类器进行评估，以找出哪对变量更相关，从而实现更好的模型性能。

KNN对每个独立变量（特征）的偏好相同。这使得使用kNN分离特征或为其分配不同权重变得非常困难

此外，由于kNN是一种非参数算法（它不会基于数据做出任何假设），与朴素贝叶斯不同，您无法根据特征获得任何有意义的概率输出

在这种情况下，我建议大家看一看基于决策树的算法，比如随机森林，它作为scikit learn中的一个内置类，固有地具有一个特性“重要性”。这将使您在实现模型后了解每个特性的重要性

这里有一个很好的例子：

此外，此处的射频功能u重要性uu部分：

如果你真的想违背传统的智慧，使用kNN算法来识别特征的重要性，一个选择是用不同的特征构建模型，然后比较整体精度

我知道这可能会也可能不会直接解决你的问题。但这正是我现在想到的。也许会有其他不同角度的答案