对于k-最近邻算法（k-Nearest Neighbors，KNN），不需要通过拟合模型进行预测，因为该算法是一种基于实例的学习方法。下面是一个使用Python的scikit-learn库实现KNN预测的示例代码：

from sklearn.neighbors import KNeighborsClassifier

# 创建一个KNN分类器对象
knn = KNeighborsClassifier(n_neighbors=3)

# 准备训练数据和标签
X_train = [[1, 2], [3, 4], [5, 6]]
y_train = [0, 1, 0]

# 使用训练数据和标签来训练KNN模型
knn.fit(X_train, y_train)

# 准备测试数据
X_test = [[2, 3], [4, 5]]

# 使用训练好的KNN模型进行预测
y_pred = knn.predict(X_test)

# 打印预测结果
print(y_pred)

在这个示例中，首先创建了一个KNN分类器对象knn，然后使用fit方法来训练模型，接着使用predict方法对测试数据进行预测，并将预测结果打印出来。

需要注意的是，KNN算法的预测结果是基于训练数据的最邻近样本进行投票得到的，因此预测结果可能会受到训练数据的分布情况影响。