1. 实验目的

• 理解 KNN 的基本概念。
• 学习如何使用 MindSpore 进行 KNN 实验。

2. KNN 算法原理介绍

• KNN 是一种基于距离的分类和回归算法，通过计算测试样本与训练样本之间的距离来预测测试样本的类别。
• KNN 的三个基本要素：K 值、距离度量、分类决策规则。

3. 实验环境

• 需要熟练使用 Python 并具备机器学习理论知识。
• 使用 MindSpore 2.0 版本，支持 win_x86 和 Linux 系统，可运行于 CPU/GPU/Ascend。

4. 数据处理

• 使用 Wine 数据集，包含 178 个样本，每个样本有 13 个属性。
• 数据集从官网下载或从华为云 OBS 下载。
• 数据集的属性包括酒精、苹果酸、灰分等化学成分。

5. 模型构建

• 构建 KNNNet 类，使用 MindSpore 的操作来计算输入样本与训练样本之间的距离，并找出最近的 K 个邻居。
• 定义 knn 函数来执行 KNN 算法。

6. 模型预测

• 使用 KNN 算法对验证集进行预测，设置 K 值为 5。
• 输出验证精度，实验结果显示算法在红酒分类任务上的有效性。

7. 实验小结

• 总结 KNN 算法在红酒分类任务上的应用和效果。