机器学习笔记 - scikit-learn中的metric参数和metric_params参数如何使用？

        在 scikit-learn 库中的一些算法里面，这里是指需要使用距离度量或相似度度量的算法，这里拿KNeighborsclassifier举例来说，会有metric参数，这个参数用于指定距离度量方法。这个参数有多个可选项，常用的有以下几种:

        1.'euclidean':欧氏距离。这是默认的距离度量方法。

        2.'manhattan':曼哈顿距离(城市街区距离)

        3.'chebyshev:切比雪夫距离。

        4.'minkowski:闵可夫斯基距离。

        当'p'参数为1时，等同于曼哈顿距离;当'p'参数为2时等同于欧氏距离。

        除了使用这些内置的参数，我们还可以自定义距离度量方法，将一个可调用的函数传递给'metric'参数。

        例如，可以在创建`KNeighborsclassifier'对象时指定`metric'参数，如下所示:

from sklearn.neighbors import KNeighborsClassifier
 
#使用欧氏距离作为距离度量方法
knn_euclidean = KNeighborsClassifier(metric'euclidean')
 
# 使用曼哈顿距离作为距离度量方法
knn_manhattan = KNeighborsClassifier(metric='manhattan')
 
# 使用自定义的距离度量方法
def custom_distance(x，y):
    # 自定义距离度量方法，这里假设为欧氏距离的平方
    return sum((a-b)**2 for a,b in z