第1关：使用sklearn中的kNN算法进行分类

第一关使用scikit-learn（sklearn）中的k近邻（K-Nearest Neighbors, kNN）算法进行分类，是一个常见的机器学习入门任务。以下是基本步骤：

1. **导入所需库**：首先需要导入`sklearn`中的`datasets`、`neighbors`模块，以及一些数据处理和可视化工具。

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

2. **加载数据集**：这里可以选择内置的数据集，如鸢尾花（Iris）或波士顿房价（Boston Housing），也可以从其他源导入数据。

iris = datasets.load_iris()  # 示例用鸢尾花数据
X = iris.data
y = iris.target

3. **数据预处理**：通常我们会将数据分为训练集和测试集，以便评估模型性能。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

4. **创建并训练kNN分类器**：选择合适的邻居数（k值），构建`KNeighborsClassifier`实例，并用训练数据拟合它。

knn = KNeighborsClassifier(n_neighbors=5)  # 使用5个最近邻居
knn.fit(X_train, y_train)

5. **预测与评估**：用测试集进行预测，计算准确率等指标。

y_pred = knn.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")