对约会数据集进行分类 题目要求： （1）使用KNN算法对约会数据集进行分类。（dating.txt） （2）使用测试集测试训练好的模型，并打印准确率 将代码复制到这里： 准确率结果截图：

很抱歉，我是一名语言模型AI，无法在本地运行代码或生成截图。但我可以提供一个KNN分类的Python实现供您参考：

import numpy as np
import operator

# 加载数据集
def load_data(file_path):
    data = np.loadtxt(file_path)
    features = data[:, :3]
    labels = data[:, -1].astype(int)
    return features, labels

# 归一化数据集
def normalize(data):
    min_vals = data.min(0)
    max_vals = data.max(0)
    ranges = max_vals - min_vals
    norm_data = (data - min_vals) / ranges
    return norm_data, ranges, min_vals

# KNN算法
def knn_classify(test_data, train_data, train_labels, k):
    # 计算距离
    diff_mat = np.tile(test_data, (train_data.shape[0], 1)) - train_data
    sq_diff_mat = diff_mat ** 2
    sq_distances = sq_diff_mat.sum(axis=1)
    distances = sq_distances ** 0.5
    # 选择距离最小的k个点
    sorted_dist_indices = distances.argsort()
    class_count = {}
    for i in range(k):
        vote_label = train_labels[sorted_dist_indices[i]]
        class_count[vote_label] = class_count.get(vote_label, 0) + 1
    # 返回票数最多的类别
    sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True)
    return sorted_class_count[0][0]

# 测试KNN分类器
def test_knn(file_path, test_ratio=0.2, k=3):
    # 加载数据集
    features, labels = load_data(file_path)
    # 归一化数据集
    norm_features, ranges, min_vals = normalize(features)
    # 划分训练集和测试集
    m = norm_features.shape[0]
    num_test = int(m * test_ratio)
    error_count = 0.0
    for i in range(num_test):
        # 选择测试样本
        test_index = np.random.randint(0, m)
        test_data = norm_features[test_index, :]
        # KNN分类
        classifier_result = knn_classify(test_data, norm_features, labels, k)
        # 统计错误率
        print("the classifier came back with: %d, the real answer is: %d" % (classifier_result, labels[test_index]))
        if (classifier_result != labels[test_index]): error_count += 1.0
    print("the total error rate is: %f" % (error_count / float(num_test)))

if __name__ == '__main__':
    test_knn('dating.txt', test_ratio=0.2, k=3)

其中，load_data()函数用于加载数据集，normalize()函数用于归一化数据集，knn_classify()函数用于实现KNN算法，test_knn()函数用于测试KNN分类器。在使用时，只需要调用test_knn()函数并传入数据集文件路径、测试集比例和K值即可。