问：

乳腺癌数据集探索knn最优k值示例

答：

超参数 的选定是 NN的头号问题 ，K值较⼩，则模型复杂度较⾼，容易发⽣过拟合，学习的估计误差会增⼤，预测结果对近邻的实例点⾮常敏感。K值较⼤可以减少学习的估计误差，但是学习的近似误差会增⼤，与输⼊实例较远的训练实例也会对预测起作⽤，使预测发⽣错误， k值增⼤模型的复杂度会下降。

在这⾥我们要使⽤机器学习中的神器： 参数学习曲线。参数学习曲线
是⼀条以不同的参数取值为横坐标，不同参数取值下的模型结果为纵坐标的曲线，我们往往选择模型表
现最佳点的参数取值作为这个参数的取值。⽐如我们的乳腺癌数据集：

import matplotlib.pyplot as plt
score = []
krange = range(1,20) # 为什么这⾥是从1开始？
for i in krange:
clf = KNeighborsClassifier(n_neighbors=i)
clf = clf.fit(Xtrain,Ytrain)
score.append(clf.score(Xtest,Ytest))
plt.plot(krange,score);
bestindex = krange[score.index(max(score))]-1
print(bestindex)
print(score[bestindex]) 

⽤这样的⽅式我们就找出了最佳的 值——这体现了机器学习当中，⼀切以 "模型效果" 为导向的性
质，我们可以使⽤模型效果来帮助我们选择参数。