在使用scikit learn运行K近邻算法时，当我将K设置为21时，会得到一个值错误。然而，当我将K设置为k=np.arange(20) +1时，却不会出现错误，那么这两种设置有什么区别呢？

k = np.arange(21)parameters = {'n_neighbors': k}knn = sklearn.neighbors.KNeighborsClassifier()clf = sklearn.grid_search.GridSearchCV(knn, parameters, cv=10)clf.fit(X_train, Y_train)ValueError: Invalid shape in axis 1: 0.

另外，有人能解释一下以下代码的含义吗？

a = clf.grid_scores_scores = [b.cv_validation_scores for b in a]

scores的输出如下：

array([ 1.        ,  0.90909091,  1.        ,  0.72727273,  0.9       ,         1.        ,  1.        ,  1.        ,  1.        ,  0.88888889]),

clf.grid_scores_ 是分类器的准确率，但cv_validation scores 是什么意思？

回答：

GridSearchCV 期望为每个参数提供一个值列表来进行搜索。如果你只想设置一个值进行搜索，请将其放入列表中：

parameters = {'n_neighbors': [21]} # 正确parameters = {'n_neighbors': np.range(21)} # 错误，第一个值是0parameters = {'n_neighbors': np.range(21) + 1} # 正确

请注意，该列表中的每个值都应该是该参数的有效值。例如，使用np.range(p)作为n_neighbors的参数列表是错误的，因为它包含了0，这对于邻居数量来说是无效的值。

根据文档，

cv_validation_scores [是] 每个折叠的分数列表

因此，grid_scores_ 必须是相应的cv_validation_scores的平均值。