用K近邻算法。已知如下数据，以此为依据搭建分类模型，并预测[[3, 3], [[6, 6]]]两组新样本所属分类 [0, 0, 0, 1, 1] X = [[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]] y = [0, 0, 0, 1, 1

K近邻算法是一种常用的分类算法，它的基本思想是通过测量不同样本之间的距离来确定新样本所属的分类。具体步骤如下：

1. 计算距离：首先，计算新样本与已知样本之间的距离。常用的距离度量方法有欧氏距离、曼哈顿距离等。

2. 选择K值：选择一个合适的K值，即选择K个最近邻样本作为参考。

3. 投票决策：根据K个最近邻样本的分类情况，采用投票的方式决定新样本所属的分类。通常采用多数表决的方式，即选择K个最近邻样本中出现次数最多的分类作为新样本的分类。

根据给定的数据，我们可以按照上述步骤进行分类模型的搭建和预测。首先，计算新样本[[3, 3], [6, 6]]与已知样本之间的距离，然后选择合适的K值，最后根据投票决策确定新样本所属的分类。