KNN算法中，在选择K个最近邻时，如果出现了两个已知样本与输入样本的距离相等，那么应该选哪个邻居呢

不知道你这个问题是否已经解决, 如果还没有解决的话:

这个问题的回答你可以参考下: https://ask.csdn.net/questions/7631441
这篇博客也不错, 你可以看下关于K最近邻分类算法（KNN）的综述
除此之外, 这篇博客: 机器学习-KNN最近邻算法原理及实践中的 2.KNN最近邻法三要素：距离度量（相似度计量）、K值的选择和分类决策规则。 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
距离度量（相似度计量）
分类之间相似度的计算采用距离度量，常见的距离度量：欧氏距离、曼哈顿距离、明科夫斯基距离。一般采用欧氏距离。
K值的选择
k值的选项表示对分类甄别条件的宽松或严苛。当K值过小时，k近邻模型更复杂，新实例的分类容易受到局部少数训练实例的影响，容易发生欠拟合；当K值过大时，k近邻模型更简单，容易发生过拟合，导致泛化性能下降。因此k 值得选择会对分类结果产生重大影响。k 值的选择反映了对近似误差与估计误差之间的权衡，通常由交叉验证选择最优的k值。
（交叉验证）
交叉验证的基本想法是重复地使用数据，把给定的数据进行切分，将切分的数据组合为训练集与测试集，在此基础上反复进行训练测试以及模型的选择。在实现过程中将采用sklearn.model_selection.cross_val_score()实现交叉验证选取k kk值。
分类决策规则
分类决策规则往往是多数表决，即由输入实例的k kk个邻近输入实例中的多数类决定输入实例的类
如果K=3，那么离绿色点最近的有2个红色三角形和1个蓝色的正方形，这3个点投票，于是绿色的这个待分类点属于红色的三角形。
如果K=5，那么离绿色点最近的有2个红色三角形和3个蓝色的正方形，这5个点投票，于是绿色的这个待分类点属于蓝色的正方形。
您还可以看一下覃秉丰老师的机器学习算法基础课程中的 KNN算法介绍小节, 巩固相关知识点

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^