python - sklearn KNN 中的加权距离

我正在制作一个遗传算法来寻找权重，以便将它们应用于 sklearn KNN 中的欧几里得距离，试图提高分类率并删除数据集中的一些特征(我通过将权重更改为 0 来实现这一点)。
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可以告诉 KNN 在距离中使用权重(我必须使用欧几里德距离，但我删除了平方根)。

谢谢!

最佳答案

确实还有另一种方法，它内置于 scikit-learn 中(所以应该更快)。您可以将 wminkowski 指标与权重一起使用。以下是训练集中特征的随机权重示例。

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

关于python - sklearn KNN 中的加权距离，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/50064632/

kNN

python - sklearn KNN 中的加权距离