MATLAB利用k近邻算法对测试集中的样本进行预测，并计算预测准确率。

使用k近邻算法对测试集进行预测的步骤如下：

1. 导入数据集，将训练集和测试集分开。
2. 对训练集进行标准化处理，使每个特征的取值范围相同。
3. 初始化k值，选择合适的k值。
4. 对测试集中的每个样本，计算它与训练集中所有样本的距离，并选取距离最近的k个样本。
5. 通过统计这k个样本所属类别的出现次数来确定测试样本所属的类别。
6. 将预测结果与真实标签进行比较，计算预测准确率。

下面是一个MATLAB示例代码，演示如何使用k近邻算法对测试集进行预测并计算预测准确率：

% 导入数据集
load fisheriris
X = meas(:,1:2);
Y = species;

% 将数据集分为训练集和测试集
idx = randperm(size(X,1));
X_train = X(idx(1:100),:);
X_test = X(idx(101:end),:);
Y_train = Y(idx(1:100));
Y_test = Y(idx(101:end));

% 标准化处理
X_train = zscore(X_train);
X_test = zscore(X_test);

% 初始化k值
k = 5;

% 对测试集中的每个样本进行预测
Y_pred = zeros(size(Y_test));
for i = 1:size(X_test,1)
    % 计算测试样本与训练样本的距离
    dist = sum((X_train - repmat(X_test(i,:),size(X_train,1),1)).^2,2);
    % 选取距离最近的k个样本
    [~,idx] = sort(dist);
    k_nearest_neighbors = Y_train(idx(1:k));
    % 统计出现次数最多的类别
    Y_pred(i) = mode(k_nearest_neighbors);
end

% 计算预测准确率
accuracy = sum(Y_pred == Y_test) / length(Y_test);
disp(['预测准确率为：' num2str(accuracy)]);

在这个示例中，我们使用了鸢尾花数据集，将数据集分为训练集和测试集，并对训练集进行标准化处理。然后，我们初始化k值为5，对测试集中的每个样本进行预测。最后，我们计算预测准确率并打印出来。