本关任务：补充 python 代码，完成 kNNClassifier 类中的 fit 函数与 predict 函数。实现 kNN 算法的训练与预测功能。

好的，kNN (K-Nearest Neighbors) 分类器是一种基于实例的学习方法，通过计算样本之间的距离来做出分类决策。在 Python 中，我们可以使用 scikit-learn 库中的 KNeighborsClassifier 类来实现。以下是 `fit` 和 `predict` 函数的基本框架：

from sklearn.neighbors import KNeighborsClassifier
import numpy as np

class KNNClassifier:
    def __init__(self, n_neighbors=5):
        self.n_neighbors = n_neighbors
        self.X_train = None
        self.y_train = None

    def fit(self, X, y):  # 完成训练数据的保存
        """
        训练函数，接收特征矩阵 X 和目标标签 y
        :param X: 训练数据的特征集，形状为 (n_samples, n_features)
        :param y: 训练数据的目标标签，形状为 (n_samples,)
        """
        self.X_train = X
        self.y_train = y

    def distance_metric(self, point, dataset):  # 需要自定义的距离度量方法，这里假设是欧氏距离
        """计算点到集合内所有点的欧式距离"""
        return np.sqrt(np.sum((point - dataset)**2, axis=1))

    def knearest_neighbors(self, test_point):  # 找到邻居
        distances = self.distance_metric(test_point, self.X_train)
        indices = np.argsort(distances)[:self.n_neighbors]
        return self.y_train[indices]

    def predict(self, X_test):  # 进行预测
        """
        根据测试数据的特征，返回预测结果
        :param X_test: 测试数据的特征集，形状为 (n_test_samples, n_features)
        :return: 测试数据的预测标签列表，长度为 n_test_samples
        """
        predictions = [self.knearest_neighbors(point) for point in X_test]
        return np.array(predictions)

# 使用示例
knn = KNNClassifier(n_neighbors=3)
X_train, y_train = ...  # 假设已经准备好了训练数据
knn.fit(X_train, y_train)
X_test, _ = ...  # 假设已经有了测试数据
predictions = knn.predict(X_test)