写一段人工智能基础的KNN算法的训练集和测试集的代码

以下是基础的KNN算法的训练集和测试集的代码示例，使用Python语言实现：

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# 训练集和测试集的数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
y = np.array([0, 0, 0, 1, 1, 1])

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义KNN模型
k = 3
knn = KNeighborsClassifier(n_neighbors=k)

# 训练模型
knn.fit(X_train, y_train)

# 在测试集上评估模型
accuracy = knn.score(X_test, y_test)
print("Accuracy of KNN model with k={} is: {:.2f}%".format(k, accuracy*100))

在上面的代码中，我们首先定义了一个训练集和测试集的数据X和y。然后，使用`train_test_split()`函数将数据划分为训练集和测试集。

接下来，我们指定k值为3，并创建了一个KNN模型对象。我们使用`fit()`函数在训练集上训练模型。

最后，我们使用`score()`函数在测试集上评估模型的性能，并打印出模型的准确率。

注意：这只是基础的KNN算法的训练集和测试集的代码示例，实际应用中可能需要对数据进行预处理、特征工程等操作。