matlab ：随机选取12个维度的数据中的80%作为训练输入数据，其余20%作为测试输入数据，利用训练输入数据与KNN算法对分类模型进行训练与利用测试输入数据对训练后的分类模型进行验证，检查准确，并从2-10遍历KNN算法的K，得到精度最好的K。

以下是 MATLAB 代码实现：

假设你的数据存储在一个名为 data 的矩阵中，其中每行表示一个数据点，每列表示一个特征，最后一列为类别。

% 按80% - 20%划分训练和测试数据
train_ratio = 0.8;
num_data = size(data, 1);
num_train = round(num_data * train_ratio);
num_test = num_data - num_train;

% 随机打乱数据顺序
rand_idx = randperm(num_data);
train_idx = rand_idx(1:num_train);
test_idx = rand_idx(num_train+1:end);

% 分离训练和测试数据
train_data = data(train_idx, 1:end-1);
train_label = data(train_idx, end);
test_data = data(test_idx, 1:end-1);
test_label = data(test_idx, end);

% 训练KNN模型并预测测试数据
K_range = 2:10;
num_K = length(K_range);
accuracy = zeros(num_K, 1);

for i = 1:num_K
    K = K_range(i);
    model = fitcknn(train_data, train_label, 'NumNeighbors', K);
    pred_label = predict(model, test_data);
    accuracy(i) = sum(pred_label == test_label) / num_test;
end

% 找到精度最好的K值
[best_acc, best_idx] = max(accuracy);
best_K = K_range(best_idx);

% 输出结果
fprintf('精度最好的K值为 %d，对应的精度为 %.2f%%\n', best_K, best_acc * 100);

代码中使用 `randperm` 函数随机打乱数据的顺序，然后根据指定的比例分离出训练和测试数据。接着，用 `fitcknn` 函数训练KNN模型，并使用 `predict` 函数预测测试数据的类别。最后，遍历K的范围，找到精度最好的K值。