回归：波斯顿房价，采用KNN回归算法，目标函数为SSE，输出每一轮SSE的值和最终相关系数。

好的，我可以帮你回答这个问题。

首先，波士顿房价数据集是一个经典的回归问题，它包含了506个样本和13个特征，目标是预测房屋价格的中位数。KNN是一种基于实例的学习算法，它可以用于回归问题。

下面是KNN回归算法的步骤：

1. 选取K个最近邻的样本；
2. 计算K个最近邻的加权平均值，其中权重为距离的倒数；
3. 输出加权平均值作为预测结果。

在回归问题中，我们可以使用SSE（Sum of Squared Errors）作为目标函数，它的计算公式为：

$$SSE = \sum_{i=1}^{n}(y_i - \hat{y_i})^2$$

其中，$y_i$表示真实值，$\hat{y_i}$表示预测值，$n$表示样本数。

我们可以使用sklearn库中的KNeighborsRegressor函数来实现KNN回归算法。下面是代码实现：

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsRegressor
from sklearn.metrics import r2_score

# 加载数据集
boston = load_boston()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)

# 定义KNN回归器
knn = KNeighborsRegressor(n_neighbors=5, weights='distance')

# 训练模型
knn.fit(X_train, y_train)

# 预测测试集
y_pred = knn.predict(X_test)

# 计算SSE
sse = ((y_test - y_pred) ** 2).sum()
print("SSE:", sse)

# 计算相关系数
r2 = r2_score(y_test, y_pred)
print("R2 Score:", r2)

在上面的代码中，我们使用了KNeighborsRegressor函数来定义KNN回归器，其中n_neighbors参数表示选取的最近邻数，weights参数表示使用何种权重计算方法。我们使用训练集来训练模型，然后使用测试集来预测结果。最后，我们计算SSE和相关系数。

注意：在实际应用中，我们需要对数据进行归一化处理，以避免特征之间的差异影响模型的性能。