KNeighborsRegressorの解析

fig, axes = plt.subplots(1, 3, figsize=(15, 4))
#subplots　=　figure内のplot生成数。(行数, 列数, plot番号)　 plot番号は生成した行列数の左上から右、左下と1,2,3,,,と続く
#figsize　=　inch表記のオプション引数。(縦サイズ, 横サイズ)　 グラフサイズ変更可能。デフォルトは(8,6)

line = np.linspace(-3, 3, 1000).reshape(-1, 1)
#linspace　=　等差数列生成。(start, stop, num) num=生成する配列(ndarray)の要素数を設定可。
#reshape = (行数, 列数) -1を設定すると元の形状から推測された値が自動で入る (-1, 1)なら1列ベクトルに自動で数値が入る

for n_neighbors, ax in zip([1, 3, 9], axes):
    #1, 3, 9の近傍点で比較
    reg = KNeighborsRegressor(n_neighbors=n_neighbors) #インスタンス生成
    
    reg.fit(X_train, y_train) #モデル学習
    
    ax.plot(line, reg.predict(line))
    ax.plot(X_train, y_train, '^', c=mglearn.cm2(0), markersize=8)
    ax.plot(X_test, y_test, 'v', c=mglearn.cm2(1), markersize=8)
    
    ax.set_title(
            "{} neighbor(s) \n train score: {: .2f} test score {: .2f}".format(
                    n_neighbors, reg.score(X_train, y_train), 
                    reg.score(X_test, y_test)))
    ax.set_xlabel("feature")
    ax.set_ylabel("target")

axes[1].legend(["model predictions", "training data/target", "test data/target"], loc="best");