数据集构建 使用MATLAB的内置函数normrnd（），随机生成满足指定参数（均值为0，方差为1）的正态分布随机变量作为实验数据集（12500个样本）。 2. 算法设计与实现 设计KNN估计算法并编码实现。 对不同的邻域大小，给出对应的估计结果。

在MATLAB中，构建一个包含12500个样本的正态分布数据集的过程可以分为以下几个步骤：

1. **数据集构建**:
使用`normrnd`函数创建数据集：

   mu = 0; % 均值
   sigma = 1; % 方差
   dataset = normrnd(mu, sigma, [1, 12500]); % 生成一个1x12500的向量，每个元素都是独立的正态分布随机数

2. **算法设计与实现**:
对于K近邻(KNN)算法，其基本流程包括：
a. **选择K值**：确定邻居的数量，如k=3、5、10等。
b. **距离计算**：对于新样本点，计算它与其他所有训练样本之间的欧几里得距离或其他合适的距离度量。
c. **排序邻居**：按照距离从近到远排序邻居。
d. **预测分类**：多数投票决定新样本所属类别。

KNN的具体实现可以使用循环和查找结构，这里是一个简化的示例：

   function [predictions] = knn_k(dataset, k, test_point)
       distances = pdist2(dataset, test_point); % 计算所有样本与测试点的距离矩阵
       [~, indices] = sort(distances, 'ascend'); % 按距离升序排列
       
       % 获取k个最近邻居的索引
       k_nearest = indices(1:k);
       
       % 预测标签
       unique_labels, counts = histcounts(dataset(k_nearest, end), numel(unique(dataset(end))));
       predictions = mode(unique_labels(counts > 0)); % 统计最常见的类别作为预测
   end

对不同的k值，你可以通过循环调用`knn_k`函数，得到一系列的预测结果，并可视化这些结果以便分析。