K近邻算法案例：1000个样本，10个特征的新样本分类

要确定新样本属于哪个类别，需要使用K近邻算法。

K近邻算法的基本思想是找出最接近新样本的K个训练样本，然后根据这K个训练样本的类别来确定新样本的类别。

在本例中，K=5，即找出离新样本最近的5个训练样本。可以使用欧几里得距离来度量样本之间的距离：

$d(x,y) = \sqrt{\sum_{i=1}^{n}(x_i-y_i)^2}$

其中，$x$和$y$分别表示两个样本，$n$表示特征的数量。

计算新样本和每个训练样本之间的距离，然后按照距离从小到大排序，取最近的K个训练样本。假设最近的5个训练样本的类别分别为'A'、'A'、'B'、'B'、'C'，则可以使用投票法来确定新样本的类别。即，统计这5个训练样本中每个类别出现的次数，最终出现次数最多的类别就是新样本的类别。

假设最终结果为类别'A'出现了3次，类别'B'出现了2次，类别'C'出现了0次，则可以判断新样本属于类别'A'。