我正在制作遗传算法以找到权重，以便将它们应用于sklearn KNN中的欧氏距离，尝试提高分类率并删除数据集中的某些特征（我将此权重改为0） . 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告诉KNN在距离内使用权重（我必须使用欧氏距离，但我删除了平方根） .
谢谢！
1 回答
确实有另一种方式，它内置于scikit-learn（所以应该更快） . 您可以将
wminkowski指标与权重一起使用 . 下面是一个示例，其中包含训练集中功能的随机权重 .