.根据给出的A、B、C三类点的样本坐标值，采用KNN方法对 点（3，0）（3，1）（3，5）（0，0）（5，1）进行分类。

根据引用[1]中的KNN算法步骤，我们可以按照以下步骤对点（3，0）（3，1）（3，5）（0，0）（5，1）进行分类：

1.计算已知类别数据集中的样本与当前样本的距离。这里我们采用欧氏距离公式：$d=\sqrt{(x_2-x_1)^2+(y_2-y_1)^2}$

点（3，0）到A、B、C三类点的距离分别为：
- 到A类点的距离：$\sqrt{(3-2)^2+(0-1)^2}=\sqrt{2}$
- 到B类点的距离：$\sqrt{(3-4)^2+(0-1)^2}=\sqrt{2}$
- 到C类点的距离：$\sqrt{(3-2)^2+(0-3)^2}=3$

点（3，1）到A、B、C三类点的距离分别为：
- 到A类点的距离：$\sqrt{(3-2)^2+(1-1)^2}=1$
- 到B类点的距离：$\sqrt{(3-4)^2+(1-1)^2}=1$
- 到C类点的距离：$\sqrt{(3-2)^2+(1-3)^2}=2$

点（3，5）到A、B、C三类点的距离分别为：
- 到A类点的距离：$\sqrt{(3-2)^2+(5-1)^2}=4$
- 到B类点的距离：$\sqrt{(3-4)^2+(5-1)^2}=4\sqrt{2}$
- 到C类点的距离：$\sqrt{(3-2)^2+(5-3)^2}=2$

点（0，0）到A、B、C三类点的距离分别为：
- 到A类点的距离：$\sqrt{(0-2)^2+(0-1)^2}=\sqrt{5}$
- 到B类点的距离：$\sqrt{(0-4)^2+(0-1)^2}=\sqrt{17}$
- 到C类点的距离：$\sqrt{(0-2)^2+(0-3)^2}=\sqrt{13}$

点（5，1）到A、B、C三类点的距离分别为：
- 到A类点的距离：$\sqrt{(5-2)^2+(1-1)^2}=\sqrt{9}=3$
- 到B类点的距离：$\sqrt{(5-4)^2+(1-1)^2}=1$
- 到C类点的距离：$\sqrt{(5-2)^2+(1-3)^2}=\sqrt{10}$

2.按顺序递增排序。

将每个点到三类点的距离按照从小到大的顺序排列，得到以下结果：

点（3，0）：ABCA
点（3，1）：ABCA
点（3，5）：ACBA
点（0，0）：ACB
点（5，1）：BAC

3.选取距离最小的k个点。这里我们取k=3。

点（3，0）：ABC
点（3，1）：ABC
点（3，5）：ACB
点（0，0）：ACB
点（5，1）：BAC

4.统计这k个样本类别出现的频率最高的类别。

点（3，0）：A出现1次，B出现1次，C出现1次，因此无法确定分类。
点（3，1）：A出现1次，B出现1次，C出现1次，因此无法确定分类。
点（3，5）：A出现1次，B出现1次，C出现1次，因此无法确定分类。
点（0，0）：A出现1次，B出现0次，C出现2次，因此分类为C类。
点（5，1）：A出现1次，B出现2次，C出现0次，因此分类为B类。

因此，点（3，0）、（3，1）、（3，5）无法确定分类，点（0，0）分类为C类，点（5，1）分类为B类。

--相关问题--:
1. KNN算法中如何选择k值？
2. KNN算法的优缺点是什么