我关心我的预测与测试的准确性，这是完全合理的。

X_train , X_test, y_train ,y_test =train_test_split(iris_dataset['data'], iris_dataset['target'], random_state=0)      knn = KNeighborsClassifier(n_neighbors=5)knn.fit(X_train ,y_train)y_pred= knn.predict(X_test)accuracy_score(y_pred,y_test)  # 这里我得到了97%的准确性得分，用于预测/测试

我尝试用knn.score做同样的事情，这里有一个关键点，文档中说 返回给定测试数据和标签的平均准确性。

knn.score(X_test,y_test)  # 97% 准确性

我的问题是，为什么有人会关心这个得分，因为X_test，y_test是我分割成训练/测试的数据——这是我用于监督学习的给定数据，这里有什么意义呢？我完全错过了什么吗？如果我检查得分，它应该给我100%的正确率，对吗？

回答：

score函数只是scikit-learn中一些算法（主要是模型选择模块中的算法，例如GridSearchCV或cross_validate）使用的默认度量工具函数，如果没有指定其他度量。对于分类，通常是准确性，而对于回归则是均方误差。

所以它是相同的，因为它所做的正是你在代码中所做的：它接收传递的矩阵X（例如你案例中的X_test），调用predict并调用accuracy_score。因此，它是相同的得分不足为奇。事实上，由于scikit-learn是开源的，你可以自己在这里检查。

编辑：

那么，这对你有什么影响呢？嗯，你可以在算法中同样使用它（例如，如果你构建集成模型），或者只是像你上面的例子中那样节省一行代码。如果你要构建自己的估计器，这是你需要考虑什么是合理默认值的地方。