昇思25天学习打卡第25天

K近邻算法实现红酒聚类

实验目的

• 了解KNN的基本概念;
• 了解如何使用MindSpore进行KNN实验。

K近邻算法原理介绍

K近邻算法（K-Nearest-Neighbor， KNN）是一种用于分类和回归的非参数统计方法，

要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。KNN的三个基本要素：

• K值，一个样本的分类是由K个邻居的“多数表决”确定的。K值越小，容易受噪声影响，反之，会使类别之间的界限变得模糊。

• 距离度量，反映了特征空间中两个样本间的相似度，距离越小，越相似。常用的有Lp距离（p=2时，即为欧式距离）、曼哈顿距离、海明距离等。

• 分类决策规则，通常是多数表决，或者基于距离加权的多数表决（权值与距离成反比）。

分类问题

回归问题

距离的定义

实验环境

数据处理

数据准备

数据读取与处理

模型构建--计算距离

模型预测

实验小结

本实验使用MindSpore实现了KNN算法，用来解决3分类问题。取wine数据集上的3类样本，分为已知类别样本和待验证样本，从验证结果可以看出KNN算法在该任务上有效，能根据酒的13种属性判断出酒的品种。

学习时间与id：