优化 n_neighbors

既然我们已经对数据做了缩放，就可以尝试使用 KNN 模型了。为获得更好的性能，应该调优模型的超参数。对于 k-近邻算法，我们只有一个超参数：n，即邻居数量。创建 KNeighborsRegressor 模型时设置该超参数。邻居数量对应的参数名是 n_neighbors。

我们希望尝试一组取值，能够覆盖最佳性能附近的设置。通常从 2 个邻居开始，然后逐步增加，直到评分指标开始下降。这里我们将使用测试集（scaled_test_features 和 test_targets）上 .score() 方法得到的 R\(^2\) 值来优化 n。我们将根据测试集得分来确定最佳的 n。

本练习是课程的一部分

Python 金融机器学习

查看课程

练习说明

遍历 n 为 2 到 12 的取值范围，并将其作为 knn 模型的 n_neighbors。
将模型拟合到训练数据（scaled_train_features 和 train_targets）。
使用 knn 模型的 .score() 方法分别输出训练集和测试集的 R\(^2\) 值，并记录测试集上的最佳分数。

交互式实操练习

通过完成这段示例代码来试试这个练习。

from sklearn.neighbors import KNeighborsRegressor

for n in range(____):
    # Create and fit the KNN model
    knn = KNeighborsRegressor(n_neighbors=____)
    
    # Fit the model to the training data
    knn.fit(____, ____)
    
    # Print number of neighbors and the score to find the best value of n
    print("n_neighbors =", n)
    print('train, test scores')
    print(knn.score(scaled_train_features, train_targets))
    print(knn.score(____, ____))
    print()  # prints a blank line

编辑并运行代码