Python Sklearn:Kneighbors回归器vs Kneighbors分类器

sklearn库的Kneighbors回归器和Kneighbors分类器之间有什么区别

---

我正在尝试使用kNN算法对一个数据集进行预测，该数据集可能包含某些情绪的名称（如快乐、悲伤、愤怒）。属性是数字像素值。我知道这些是分类类型的。我第一次使用sklearn，无法决定是使用Kneighbors回归器还是使用Kneighbors分类器。我的情况有那么大的不同吗？在哪种情况下会使用这些算法？

我认为KNN算法风格对于两者都是相同的。但它们有不同的输出。一种是回归和其他分类。为了理解你的问题，我认为你应该检查分类和回归的区别。检查此链接，您会更加清楚

---

[

KneighborsRegressionor

和

KNeighborsClassifier

密切相关。两者都检索查询对象的一些k近邻，并基于这些近邻进行预测。假设查询x的五个最近邻包含标签[2,0,0,0,0,1]。让我们将情绪编码为happy=0，angry=1，sad=2

KNeighborsClassifier

基本上执行多数投票。查询x的预测值为0，表示“快乐”。因此，这就是方法

KneighborsRegressionor

计算最近邻标签的平均值。然后预测值将为

3/5=0.6

。但这并不映射到我们定义的任何情绪。原因是情绪变量确实是分类的，如问题中所述。 如果你将情绪编码为连续变量，你可以使用回归器。假设这些值在一个区间[0.0,2.0]，其中0表示非常快乐，2表示非常悲伤，0.6现在有一个含义（快乐）

---

顺便说一句，既然你在关键词中提到了逻辑回归，不要被它的名字搞混了。它实际上是分类，如中所述。

你应该使用分类器。回归用于预测房价等连续值。