晚安，

我想使用非均匀权重的最近邻模型进行回归。我在用户指南中看到，可以在模型声明中使用weights='distance'，这样权重将与距离成反比，但我得到的结果并不是我想要的。

我在文档中看到，可以使用一个函数来根据距离设定权重用于预测，所以我创建了以下函数：

from sklearn.neighbors import KNeighborsRegressorimport numpynparray = numpy.arraydef customized_weights(distances: nparray)->nparray:    for distance in distances:        if (distance >= 100 or distance <= -100):            yield  0        yield (1 - abs(distance)/100)

并像这样声明了方法：

knn: KNeighborsRegressor = KNeighborsRegressor(n_neighbors=50, weights=customized_weights ).fit(X_train, y_train)

到目前为止，一切正常。但当我尝试使用模型进行预测时，出现了以下错误：

  File "knn_with_weights.py", line 14, in customized_weights    if (distance >= 100 or distance <= -100):ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

我不明白我哪里做错了。在文档中写到，我的函数应该有一个距离数组作为参数，并返回相应的权重。我哪里做错了？

提前感谢。

回答：

@***的提示让我找到了答案。

这个函数的输入参数是一个二维的numpy数组distances，其形状为(predictions, neighbors)，其中：

• predictions 是所需预测的数量（当你调用knn.predict(X_1, X_2, X_3, ...)时）；
• neighbors 是使用的邻居数量（在我这里，n_neighbors=50）。

每个元素distances[i, j]代表第i个预测与第j个最近邻居的距离（j值越小，距离越小）。

该函数必须返回一个与输入数组相同维度的数组，其中包含每个距离对应的权重。

我不知道这是不是最快的方法，但我找到了这个解决方案：

def customized_weights(distances: nparray)->nparray:    weights: nparray = nparray(numpy.full(distances.shape, 0), dtype='float')# 创建一个与'distances'相同维度的新的'weights'数组，并用0填充。    for i in range(distances.shape[0]): # 对每个预测：        if distances[i, 0] >= 100: # 如果最小的距离大于100，                                    # 则将最近邻居的权重设为1                                    # 其他邻居的权重保持为零            weights[i, 0] = 1                                   # 然后继续下一个预测            continue        for j in range(distances.shape[1]): # 对每个距离应用权重函数            if (distances[i, j] >= 100):                continue            weights[i, j] = 1 - distances[i, j]/100    return weights