K近邻

K近邻算法进行分类的原理是针对预测表的每行数据，从训练表中选择与其距离最近的K条记录，将这K条记录中类别数量最多的类，作为该行的类别。

仅支持通过可视化方式，配置读取该组件参数，参数详情如下表所示：

• 可视化方式

页签	参数	参数名称	是否必选	参数描述	默认值
数据源	表名	inputTable	是	数据表	无
默认参数	选择特征标签列	labelColName	是	输入表中选择标签列名类型。	无
模型参数	默认邻居的数量	n_neighbors	是	用于kneighbors查询的默认邻居的数量。	5
模型参数	权重函数	weights	是	用于预测的权重函数包括uniform、distance。uniform统一的权重.在每一个邻居区域里的点的权重都是一样的;distance权重点等于他们距离的倒数。使用此函数，更近的邻居对于所预测的点的影响更大;callable，一个用户自定义的方法，此方法接收一个距离的数组，然后返回一个相同形状并且包含权重的数组。	uniform
调优参数	最近邻选择函数	algorithm	是	包括auto、ball_tree、kd_tree、brute。ball_tree是可以克服kd树高纬失效，其构造过程是以质心C和半径r分割样本空间，每个节点是一个超球体;kd_tree构造kd树存储数据以便对其进行快速检索的树形数据结构，kd树也就是数据结构中的二叉树。以中值切分构造的树，每个结点是一个超矩形，在维数小于20时效率高;brute使用暴力搜索，也就是线性扫描，当训练集很大时，计算非常耗时;auto会基于传入fit方法的内容，选择最合适的算法。	auto
调优参数	叶子数量	leaf_size	是	传入BallTree或者KDTree算法的叶子数量。此参数会影响构建、查询BallTree或者KDTree的速度，以及存储BallTree或者KDTree所需要的内存大小。此可选参数根据是否是问题所需选择性使用。	30