upando el lenguaje Python en el IDE de su preferencia, realizar eldesarrollo de un programa donde implementen $($a mano$)$ el m$$todo declasificaci$$n de m$$nima distancia, para ello considerar lo siguiente: Desarrollar el m$$todo de clasificaci$$n como si fuera una clase de scikit$-$learn,lo que significa que vamos a hacer la abstracci$$n del m$$todo$.$ Lo b$$sico quellevan estas implementaciones son los par$$metros necesarios del m$$todo aforma de atributos y dos m$$todos$,$ fit $($que realiza el entrenamiento$)$ y predict$($que realiza una predicci$$n$/$inferencia$).$ En el m$$todo de fit aplicar debemos de realizar el c$$lculo de centroides ydistancias $($euclidiana$)$ donde se van a crear los l$$mites de decisi$$n$($almacenar esta informaci$$n$).$ Lo que debemos de recibir es el conjunto dedatos y con ellos trabajar. El m$$todo predict har$$ la evaluaci$$n de un conjunto de datos de prueba conel l$$mite de decisi$$n$,$ lo que debe de retornar es un vector con los $$ndices delas clases predichas. Con el vector retornado de predict, ocupen scikit$-$learn para calcular elaccuracy y tambi$$n su matriz de confusi$$n$.$ Consideren el m$$todo de holdout para la preparaci$$n de los datos con unaproporci$$n de $80\%-20\%$ para los subconjuntos de entrenamiento y prueba,respectivamente.Como conjunto de datos ocupen iris, se requiere que hagan una etapa devisualizaci$$n de datos. Dado que el conjunto trabaja un espacio de caracter$$sticasde $4$ ocupemos PCA $($este h$$ganlo a mano, pueden ocupar numpy o bibliotecasde c$$mputo cient$$fico para operaciones matem$$ticas$)$ y t$-$SNE $($pueden ocupar elde scikit$-$learn$)$ como m$$todos de reducci$$n de dimensionalidad, grafiquen losresultados ocupando $2$ y $3$ caracter$$sticas $($componentes$).$