昇思25天学习打卡营第16天|基于MindSpore的红酒分类实验

咱们这次实验的目的有两个：

第一个目的，就是要搞清楚KNN是什么东西。KNN全名叫K-Nearest Neighbors，就是找最近邻居的意思。简单说，就是拿一个新的数据点去跟已经分类好的数据比对，看看它跟哪些数据点最接近，然后根据这些邻居的类别来决定新数据点属于哪一类。比如，如果你想知道一个水果是不是苹果，就去找几个跟它最像的水果看看，如果大部分都是苹果，那这个水果很可能也是苹果。

第二个目的，就是要学会怎么用MindSpore这个工具来做KNN实验。MindSpore是个编程框架，可以帮我们轻松地搭建机器学习模型。咱们会用它来写程序，让计算机自动找出数据点的最近邻居，然后根据这些邻居来预测新数据点的类别。

总结一下，这次实验就是要让我们弄明白KNN是怎么回事，然后用MindSpore来实现KNN，看看它在实际问题中的表现。挺有意思的，对吧！

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，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。它正是基于以上思想：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）。