kNN分类器创建meshgrid时触发MemoryError内存错误问题排查

报错根因：即使仅使用2个特征绘制决策边界，若网格采样步长设置过小，两个维度的采样点数乘积会产生指数级增长的网格点，你遇到的报错对应总元素量已超过8.6e11个，远超常规内存负载上限。

• 调整网格采样方式，降低采样密度
  放弃用np.arange()设置固定小微步长的采样逻辑，改用np.linspace()固定每个维度的采样点数，常规场景下每个维度采样100~300个点完全可以满足决策边界的可视化清晰度要求，示例代码如下：

  # 取两个特征的取值上下限
  x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
  y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
  # 每个维度仅采样200个点，总网格点仅200*200=40000个
  x = np.linspace(x_min, x_max, 200)
  y = np.linspace(y_min, y_max, 200)
  xx, yy = np.meshgrid(x, y)
  

• 降低数组存储精度
  无需使用默认的float64精度存储网格点，转成float32可直接减半内存占用，kNN模型对低精度输入无兼容性问题，不会影响分类结果：

  xx = xx.astype(np.float32)
  yy = yy.astype(np.float32)
  

• 分块生成预测网格
  若确实需要极高精度的决策边界，不要一次性生成全量网格，将y轴拆分为多个小块，逐块生成网格、送入模型预测、存储预测结果，最后拼接所有结果画图，全程仅需加载单块网格的内存。
• 先做特征归一化
  提前对两个输入特征做标准化/归一化，把特征取值范围压缩到[0,1]或[-1,1]区间，避免因特征取值范围过大导致的不必要的过量采样点。

内容的提问来源于stack exchange，提问作者bugzoid