本关任务:使用 sklearn 实现 knn 算法

KNN（K-Nearest Neighbors，K最近邻）算法是一种基本的分类与回归方法。在分类问题中，给定一个训练数据集，对新的输入实例，在训练集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类别，则该输入实例也属于这个类别。

在Python的机器学习库scikit-learn（简称sklearn）中，可以非常方便地使用KNN算法，以下是使用sklearn实现KNN算法的基本步骤：

1. 导入所需的库：

from sklearn.neighbors import KNeighborsClassifier

2. 准备训练数据和测试数据：

# 假设X_train和X_test是特征数据，y_train和y_test是对应的标签数据

3. 创建KNN分类器实例并选择K的值：

# 假设我们选择K为3
knn = KNeighborsClassifier(n_neighbors=3)

4. 使用训练数据训练分类器：

knn.fit(X_train, y_train)

5. 使用训练好的分类器对测试数据进行分类预测：

predictions = knn.predict(X_test)

6. 评估模型性能：

# 使用适当的评估方法，比如准确率
accuracy = knn.score(X_test, y_test)

7. 可选的，调整K值来优化模型：

# 可以通过交叉验证等方式找到最佳的K值