学习目标  

学习如何使用MindSpore进行KNN实验。

关于KNN

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，

1.分类问题

2.回归问题

3. 距离的定义:KNN算法的实现依赖于样本之间的距离，其中最常用的距离函数就是欧氏距离。

数据处理

1 数据准备

Wine数据集（Wine数据集的官网：Wine Data Set）

2 数据读取与处理

从Wine数据集的官方网站下载数据集，并使用Python库进行读取。可以通过context.set_context来配置运行需要的信息，譬如运行模式、后端信息、硬件等信息。导入context模块，配置运行需要的信息。

模型构建--计算距离

利用MindSpore提供的tile, square, ReduceSum, sqrt, TopK等算子来计算输入样本与训练集中所有样本的距离，并计算出top k近邻。

模型预测

对于分类问题，根据K近邻的类别标签，通过投票机制确定输入样本的类别。在验证集上验证KNN算法的有效性，选择K值（如K=5）并计算分类精度。如果精度较高（如接近80%），则说明KNN算法在该任务上是有效的。