使用Sklearn自带的葡萄酒数据集与k近邻算法，训练分类器，并对新样本所属类别 进行预测，新样本数据如表4-5所示。

在Python中，我们可以使用scikit-learn库（sklearn）中的葡萄酒数据集（Wine dataset）和K最近邻(K-Nearest Neighbors, KNN)算法进行分类任务。首先，你需要做的是导入必要的库并加载数据集：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier

# 加载葡萄酒数据集
wine = datasets.load_wine()

然后，我们将数据集分为训练集和测试集，通常会将80%的数据用于训练，20%用于测试：

X_train, X_test, y_train, y_test = train_test_split(wine.data, wine.target, test_size=0.2, random_state=42)

接下来，我们对数据进行标准化处理，因为KNN对特征缩放很敏感：

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

接着，我们可以选择合适的K值（例如3或5），创建并训练KNN分类器：

knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train_scaled, y_train)

对于新样本（表4-5中的数据），假设它是这样的格式：

| 特征1 | 特征2 | ... | 特征n |
| ---- | ---- | ... | ---- |

我们需要先对新样本进行同样的预处理步骤（即标准化），然后再用训练好的模型进行预测：

new_sample = [[新样本数值1, 新样本数值2, ..., 新样本数值n]]  # 根据实际数据替换
new_sample_scaled = scaler.transform(new_sample)

predicted_class = knn.predict(new_sample_scaled)
print(f"新样本的预测类别为: {predicted_class}")