在手写数字识别数据集上，分别用 k 近邻、支持向量机算法、决策树算法实现手写数字 识别。通过网格搜索与交叉验证相结合的方式分别找到 KNN 、SVM 和 DT 的最佳超参数， 并使用分类模型评价指标 (准确率和混淆矩阵) 进行评测 。(程序+准确率+混淆矩阵可视化 结果+算法对比分析)

这是一个比较复杂的问题，需要进行算法实现和调参，并进行模型评价和结果可视化。这里给出一个大致的流程：

1. 数据集准备：从网上下载手写数字识别数据集，将数据集分为训练集和测试集。

2. 特征提取：对手写数字图像进行特征提取，例如将图像转化为灰度图像，然后使用图像处理算法提取特征，例如边缘检测、轮廓提取等。

3. KNN算法实现：使用sklearn库中的KNeighborsClassifier类实现KNN算法，通过网格搜索和交叉验证找到最佳超参数（例如K值），并进行模型评价，得到准确率和混淆矩阵，并将结果可视化。

4. SVM算法实现：使用sklearn库中的SVC类实现SVM算法，通过网格搜索和交叉验证找到最佳超参数（例如C值和gamma值），并进行模型评价，得到准确率和混淆矩阵，并将结果可视化。

5. DT算法实现：使用sklearn库中的DecisionTreeClassifier类实现DT算法，通过网格搜索和交叉验证找到最佳超参数（例如max_depth值），并进行模型评价，得到准确率和混淆矩阵，并将结果可视化。

6. 算法对比分析：将三种算法的准确率和混淆矩阵进行对比分析，得出每种算法的优缺点，并选择最优算法。

这个流程需要进行代码实现和调试，需要一定的编程能力和机器学习基础。