以（0.3，0.9）为中心的正太分布产生100个点，N((0.3,0.9),0.01）为第一类，以（0.8，0.3）为中心再产生100个点为第二类，再产生2000个点以最近邻判别确定其类别并给出正确率

在您的问题中，您想通过生成两个高斯分布（均值分别为(0.3, 0.9) 和 (0.8, 0.3)，方差为0.01）的随机数据点，然后使用最近邻分类算法（KNN，K-Nearest Neighbors）来判断每个新产生的点属于哪一类。首先，我们需要按照这两个均值生成数据点，并假设我们已经有了一个KNN模型。以下是步骤：

1. **数据生成**：
- 使用Python的`numpy`库，我们可以创建两个正态分布 `np.random.normal()` 来分别生成两类数据。

   import numpy as np

   mean1 = [0.3, 0.9]
   mean2 = [0.8, 0.3]
   std_dev = 0.01
   size = 100
   points_class_1 = np.random.multivariate_normal(mean1, std_dev * np.eye(2), size)
   points_class_2 = np.random.multivariate_normal(mean2, std_dev * np.eye(2), size)
   total_points = np.concatenate((points_class_1, points_class_2))

2. **分类**：
- 对于剩余的2000个点，我们可以先生成它们，然后计算每个点到已知两类中心的距离，选择距离最近的那个类别的样本作为邻居，通常是取K个最近邻。
- 然后使用如`sklearn.neighbors.KNeighborsClassifier` 这样的KNN模块进行分类。

3. **评估**：
- 分类后，我们将检查实际标签（生成时的数据类别）与预测标签之间的匹配情况。可以计算精度（正确分类的比例），即正确分类的点数除以总点数。

from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 假设剩下的2000个点已经准备好，命名为remaining_points
knn = KNeighborsClassifier(n_neighbors=K) # 通常选择K=5或7
knn.fit(total_points[:200], [0]*size + [1]*size) # 训练分类器
predictions = knn.predict(remaining_points)
accuracy = accuracy_score(predictions, [0] * 2000 + [1] * 2000) # 类别0对应第一类，类别1对应第二类

最后，`accuracy`变量将提供分类的正确率。如果你想要更详细的步骤或代码示例，请告诉我KNN的邻居数（K值），我可以提供完整的代码段。