用c++语言实现1） 定义现有样本和特征值。 2） 以二维数据为例，可以定义待预测样本的x坐标和y坐标 3） 定义距离数组，并计算带预测样本距已知样本的距离 4） 找出距离数组中值最小的K个样本的索引下标 5） 计算距离最近的K个样本中，那种类别最多，至此完成KNN算法

在C++中，你可以按照以下步骤实现K近邻(KNN)算法：

1. 定义现有样本和特征值:

// 使用向量或矩阵存储样本数据
vector<vector<double>> samples; // 存储每个样本的一维向量，如[特征1, 特征2]
map<int, vector<double>> labels_and_samples; // 样本按类别分组，键是类别，值是向量

2. 二维数据示例：

   struct Sample {
       double x;
       double y;
   };
   Sample new_sample = {some_x_value, some_y_value}; // 待预测的新样本

3. 计算距离数组（这里假设我们使用欧氏距离作为度量）：

   void calculateDistances(Sample &new_sample, vector<Sample> &samples, vector<double> &distances) {
      for (const auto &sample : samples) {
         double distance = sqrt(pow(sample.x - new_sample.x, 2) + pow(sample.y - new_sample.y, 2));
         distances.push_back(distance);
      }
   }

4. 找出距离数组中最小的K个样本索引：

   vector<int> k_nearest_indices(kNearest, 0); // 初始化一个长度为k的索引向量
   sort(distances.begin(), distances.end()); // 对距离进行排序
   copy_n(distances.begin(), kNearest, begin(k_nearest_indices)); // 取前k个元素到结果数组

5. 计算并返回最常见的类别：

   int most_common_class;
   map<int, int> class_count;

   for (int i : k_nearest_indices) {
      const auto& category = labels_and_samples.find(i)->second;
      class_count[category]++;
   }

   tie(max_element(class_count.begin(), class_count.end()) -> second, most_common_class) = class_count.begin();