1、前提知识：

• 回归：可以理解为拟合，就是根据训练数据的趋势，对输入数据进行预测。
• KNN回归：是一种有监督学习，因为需要提供目标数据（target）

2、案例：

• 用KNN回归拟合sin函数，首先通过sin函数上的点训练KNN模型，然后用随机生成的点拟合函数。
• 代码：

# 首先随机生成100个数用于sin函数生产成训练数据
import math
import numpy as np
x_train = np.random.random(100)*10
y_train = np.sin(x_train)
x_train.shape, y_train.shape
# 转换训练数据维度：x为二维，y为一维
x_train = x_train.reshape(100,-1) # -1本身代替1，目的是简化参数输入的计算
x_train.shape
# 进行KNN回归
from sklearn.neighbors import KNeighborsRegressor
knn = KNeighborsRegressor()
knn.fit(x_train,y_train)
# 进行KNN预测
x_test = np.linspace(0,10,100).reshape(100,1)
x_test.shape
y_test = knn.predict(x_test)
# 绘图查看
import matplotlib.pyplot as plt
plt.scatter(x_train,y_train,c='blue')
plt.plot(x_test,y_test,c='red')