使用KNN进行水果分类。数据集文件为：fruit_data.txt，文件中包含59行，每行表示一个样本，第一列为标签，后面四列每列为一个特征，水果类别：1-苹果，2-桔子，3-橙子，4-柠檬；后面四列特征分别为

K近邻(K-Nearest Neighbors, KNN)算法是一种基于实例的学习方法，用于分类任务。在水果分类的例子中，你会使用fruit_data.txt文件中的数据对四种水果（苹果、桔子、橙子和柠檬）进行训练。以下是基本步骤：

1. **数据预处理**：首先读取文本文件，将其内容解析成数据集，每一行对应一个样本，前一列作为目标变量（类别），剩下的作为特征。

with open('fruit_data.txt', 'r') as file:
    data = [line.strip().split(',') for line in file]

2. **数据分割**：通常会将数据集划分为训练集和测试集，以便评估模型性能。例如，可以80%的数据用于训练，20%的数据用于测试。

3. **计算距离**：对于每个待预测的样本，找到它最近的K个邻居（K值通常是一个小整数）。这通常通过欧氏距离或其他适合的距离度量（如曼哈顿距离）来完成。

4. **投票或加权**：基于邻居的类别，进行投票（多数表决）或赋予邻居权重（如基于距离衰减）来确定未知样本的类别。

5. **模型应用**：将这个过程应用到测试集上，计算准确率等指标，评估模型的泛化能力。

6. **优化和调整**：如果结果不满意，可以尝试调整K值、改变距离度量或选择其他更复杂的分类算法。