20. 根据经济收入、受教育程度、身体健康、情感支持为自变量，幸福度为因变量，请使用“k近邻(KNN)回归”方法（默认参数）训练模型，求解以下结果。 KNN近邻回归对测试数据的MSE为 、RMSE为 、MAE为 、MAPE为 。（保留3位小数）

在使用K近邻(KNN)回归算法进行分析时，通常会将提供的四个自变量（经济收入、受教育程度、身体健康和情感支持）作为输入特征，而幸福度作为目标变量。KNN回归通过寻找最接近的新样本点的邻居来进行预测，并计算它们的平均值或某个统计量作为预测结果。

然而，要直接给出KNN回归模型在测试数据上的MSE（均方误差）、RMSE（根均方误差）、MAE（平均绝对误差）和MAPE（均方百分比误差）的具体数值，我们需要实际的数据集来训练模型并运行预测。由于这是一个假设的情境，我们无法提供实际数值，因为它们依赖于具体的训练过程和测试集的表现。

对于实际操作：

1. 首先，需要清洗和预处理数据，包括缺失值处理、标准化等。
2. 然后，选择合适的K值（通常是奇数），设置KNN回归模型。
3. 使用训练数据拟合模型。
4. 对测试数据进行预测，并计算上述评估指标。

如果你有实际的训练集和测试集，可以使用Python的Scikit-Learn库（如`sklearn.neighbors.KNeighborsRegressor`）来完成这个任务。例如，代码可能如下所示：

from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsRegressor
from sklearn.metrics import mean_squared_error, mean_absolute_error, mean_squared_log_error, mean_absolute_percentage_error

# 假设 X_train, y_train, X_test, y_test 分别是特征矩阵和标签数组
knn = KNeighborsRegressor()
knn.fit(X_train, y_train)
y_pred = knn.predict(X_test)

mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
mae = mean_absolute_error(y_test, y_pred)
mape = mean_absolute_percentage_error(y_test, y_pred)

print(f"MSE: {mse:.3f}, RMSE: {rmse:.3f}, MAE: {mae:.3f}, MAPE: {mape:.3f}")

请注意，这里的MSE、RMSE和MAE已经保留了三位小数。不过，如果你没有实际的数据，就只能说明这一步骤和相应的理论值，而不会得出具体的数字。