Scikit learn 返回2个或多个最近邻的KNN算法

例如，我有一个向量

x

，而

a

是它最近的邻居。然后，

b

是它的下一个近邻。Pyton或R中是否有任何包输出类似于

[a，b]

的内容，这意味着a是其最近邻（可能通过多数票），而b是其第二最近邻。

这正是这些度量树的构建目的

您的问题是，您正在使用sklearn（根据您所使用的度量标准，考虑BallTree）来询问一些简单的问题：

将numpy导入为np
从sklearn.KDTree导入
X=np.数组（[[1,1]，[2,2]，[3,3]]）#2维中的3个点
tree=KDTree（X）
dist，ind=tree.query（[[1.25,1.35]]，k=2）
打印（ind）#两个最近邻的索引
打印（距离）#到两个最近邻居的距离

输出：

需要明确的是：KNN通常是指一些基于度量树（KDTree，BallTree）的预构建算法，用于分类任务。通常，人们只对这些数据结构感兴趣

编辑

如果我正确地解释了您的评论，您希望使用

查找这些空间树的兼容性列表

你可以这样使用它：

X=np.数组（[1,1]，[2,2]，[3,3]]）#2维中的3个点
tree=KDTree（X，metric='l1'）#！！！
dist，ind=tree.query（[[1.25,1.35]]，k=2）
打印（ind）#两个最近邻的索引
打印（距离）#到两个最近邻居的距离

输出：

---

这正是构建这些度量树的目的

您的问题是，您正在使用sklearn（根据您所使用的度量标准，考虑BallTree）来询问一些简单的问题：

将numpy导入为np
从sklearn.KDTree导入
X=np.数组（[[1,1]，[2,2]，[3,3]]）#2维中的3个点
tree=KDTree（X）
dist，ind=tree.query（[[1.25,1.35]]，k=2）
打印（ind）#两个最近邻的索引
打印（距离）#到两个最近邻居的距离

输出：

需要明确的是：KNN通常是指一些基于度量树（KDTree，BallTree）的预构建算法，用于分类任务。通常，人们只对这些数据结构感兴趣

编辑

如果我正确地解释了您的评论，您希望使用

查找这些空间树的兼容性列表

你可以这样使用它：

X=np.数组（[1,1]，[2,2]，[3,3]]）#2维中的3个点
tree=KDTree（X，metric='l1'）#！！！
dist，ind=tree.query（[[1.25,1.35]]，k=2）
打印（ind）#两个最近邻的索引
打印（距离）#到两个最近邻居的距离

输出：

---

谢谢你能帮我插入我自己的距离度量吗？它是向量元素的距离矩阵？例如，如果我有两个向量[x1，x2]和[y2，y2]，那么可以插入距离度量，该度量从距离矩阵中逐元素地获取向量之间的距离。因此，x和y之间的距离是| x1-y1 |+| x2-y2 |。如果我尝试使用返回float的dist函数dist（x，y）`tree=KDTree（x，metric=dist），则得到错误：ValueError:metric PyFuncDistance对kdtreethaks无效，需要帮助，但我需要自己的度量。我的向量的相似性是自定义的。数字只是某些特征的代码，特征1和2的距离为9，而1和3的距离为1……仅举一个例子。所有这些都保存在一个矩阵中，该矩阵将被更新，并且特征必须保持按原样编号。我已经问过这个问题了（）但是没有回答，所以任何提示都是非常受欢迎的：）@spartan这是因为另一个问题太不正式了。你应该编辑它。更少的文本，更多的数学，更多的格式。@sacha-我希望这个问题现在是正确的，谢谢。你能帮我插入我自己的距离度量吗？它是向量元素的距离矩阵？例如，如果我有两个向量[x1，x2]和[y2，y2]，那么可以插入距离度量，该度量从距离矩阵中逐元素地获取向量之间的距离。因此，x和y之间的距离是| x1-y1 |+| x2-y2 |。如果我尝试使用返回float的dist函数dist（x，y）`tree=KDTree（x，metric=dist），则得到错误：ValueError:metric PyFuncDistance对kdtreethaks无效，需要帮助，但我需要自己的度量。我的向量的相似性是自定义的。数字只是某些特征的代码，特征1和2的距离为9，而1和3的距离为1……仅举一个例子。所有这些都保存在一个矩阵中，该矩阵将被更新，并且特征必须保持按原样编号。我已经问过这个问题了（）但是没有回答，所以任何提示都是非常受欢迎的：）@spartan这是因为另一个问题太不正式了。你应该编辑它。更少的文本，更多的数学，更多的格式。@sacha-我希望这个问题现在是正确的

[[0 1]]
[[ 0.43011626  0.99247166]]

[[0 1]]
[[ 0.6  1.4]]