matlab 随机选取12个维度的数据中的80%作为训练输入数据，其余20%作为测试输入数据。 利用训练输入数据与KNN算法对分类模型进行训练。利用测试输入数据对训练后的分类模型进行验证，并检查准确率。从2-10遍历KNN算法的K，得到精度最好的K。 读取给定的“损耗测试”中的数据。csv”文件。使用最佳的KNN分类模型来预测每个员工的人员流失情况，并将最终结果保存在 “Attrition_result.csv”文件中

以下是MATLAB代码实现：

% 读取数据
data = readtable('损耗测试.csv');

% 随机选取80%的数据作为训练数据
train_ratio = 0.8;
train_num = round(height(data) * train_ratio);
train_idx = randperm(height(data), train_num);
train_data = data(train_idx, :);

% 将训练数据分为输入和输出
input_train = train_data(:, 1:12);
output_train = train_data.Attrition;

% 使用KNN算法训练分类模型
Ks = 2:10;
accuracy = zeros(size(Ks));
for i = 1:length(Ks)
    mdl = fitcknn(input_train, output_train, 'NumNeighbors', Ks(i));
    % 使用测试数据验证分类模型
    test_data = data(setdiff(1:height(data), train_idx), :);
    input_test = test_data(:, 1:12);
    output_test = test_data.Attrition;
    predictions = predict(mdl, input_test);
    accuracy(i) = mean(predictions == output_test);
end

% 找到最佳的K
[best_accuracy, best_K_idx] = max(accuracy);
best_K = Ks(best_K_idx);

% 使用最佳的K预测员工流失情况
mdl = fitcknn(input_train, output_train, 'NumNeighbors', best_K);
input_all = data(:, 1:12);
predictions_all = predict(mdl, input_all);

% 将最终结果保存在文件中
data.Attrition_result = predictions_all;
writetable(data, 'Attrition_result.csv');

注：上面的代码中，使用了MATLAB自带的`fitcknn`函数来进行KNN分类模型的训练和预测。其中，`NumNeighbors`参数用于设置K的值。在训练模型后，使用测试数据来计算模型的准确率，然后从2到10遍历K的值，找到最佳的K值。最后，使用最佳的K值来对所有数据进行预测，并将结果保存在“Attrition_result.csv”文件中。