K-近邻（K-Nearest Neighbors，KNN）算法是一种简单的监督学习算法，通常用于分类任务，但也可以用于回归任务。KNN算法的核心思想是，一个新样本的分类可以通过查询其最近的K个邻居的类别来确定。这些邻居是基于距离度量的，例如欧几里得距离。
以下是KNN算法的基本步骤：
选择一个距离度量（例如，欧几里得距离）。
确定邻居的数量K。
对于新的输入样本，计算它与训练集中每个样本的距离。
根据距离对训练集中的样本进行排序，并选择最近的K个样本。
对这K个样本的类别进行投票，以确定新样本的类别。
在这个实现中，我们首先定义了一个计算欧几里得距离的函数。然后，我们创建了一个KNN类，其中包含了fit和predict方法。fit方法用于训练模型，即保存训练数据。predict方法用于预测测试数据的类别，它使用私有方法_predict来为每个测试样本找到最近的K个邻居，并基于这些邻居的类别进行投票。
最后，我们使用鸢尾花（Iris）数据集来演示KNN算法的分类效果，并计算了预测的准确性。在实际应用中，通常使用scikit-learn库中的KNeighborsClassifier
