sklearn中knn分类

Nearest Neighbors Classification（1.6.2）

参数：

1、n_neighbors : int, optional (default = 5)，默认使用邻居的数量。

2、weights : str or callable, optional (default=’uniform’)，预测时使用的权重函数，可能的取值为：
1：‘uniform’，统一的权重。
2：‘distance’，权重是他们距离的倒数。在这种情况下，查询 点的更近的邻
居会比离得更远的邻居有更大的影响力。
3：[callable]，一个用户定义的函数，它接受一个距离数组，并返 回一个包
含权重的相同形状的数组。

3、algorithm : {‘auto’,‘ball_tree’,‘kd_tree’,‘brute’}, optional，用于计算最近邻的算法。
1：‘ball_tree’对应BallTree
2：‘kd_tree’对应KDTree
3：‘brute’对应brute-force search（蛮力搜索）
4：‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。
注意：在稀疏输入的情况下，请使用蛮子搜索。

4、leaf_size : int, optional (default = 30)，传递给BallTree或者KDTree的叶子的数量。这可能会影响树的构建和查询的速度，以及存储树所需的内存。最优值取决于问题本身。

5、p : integer, optional (default = 2)，闵可夫斯基参数，当p=1，相当于曼哈顿距离（l1），当p=2，相当于欧氏距离（l2）。对于任意的p使用闵可夫斯基距离（l_p）。

6、metric : string or callable, default‘minkowski’，度量标准。用于度量树的距离，默认的度量方法是闵可夫斯基，p=2等价于标准的欧几里得距离。（不要修改）

7、metric_params : dict, optional (default = None)，度量函数的附加关键字。（不要修改）

8、n_jobs : int, optional (default = 1)，多线程。

方法：
1、fit(X, y)，拟合。
2、get_params([deep])，获取参数。
3、kneighbors([X, n_neighbors, return_distance])，找到一个点的k个邻居。返回每个点的邻居的索引和距离。
4、kneighbors_graph([X, n_neighbors, mode])，计算k个邻居的（加权）图。
5、predict(X)，预测。
6、predict_proba(X)，返回测试数据X的概率估计。
7、score(X, y[, sample_weight])，返回测试数据和给定label之间的平均精度。
8、set_params(**params)，设置参数。

我做试验使用sklearn自带的手写数字识别的数据，在默认参数下正确率是98.33%。加上knn本身可以调的参数就比较少。
增加和减少邻居，正确率略有改变。
修改权重，统一/按距离，正确率没有改变。
修改算法，algorithm，正确率没有变化。
修改叶子数量，也没有发生变化。
修改p范数的值，有轻微上升和下降。