import matplotlib.pyplot as plt

%matplotlib inline

plt.plot(k_range,score_train)

plt.xlabel('x')

plt.ylabel('y')

plt.show()

这样应该就行了

from sklearn.metrics import accuracy_score

我也是，跟你结果一模一样，变高了！！！！？？？

随机分配合理。

通常来说，数据是会被打散的，就是shuffle，而且划分数据的时候通常也是随机选取的，所以每次结果不一样是正常的。

用训练集去训练模型, 用测试集去验证模型

其中 K值的范围我取的如下

k_range = list(range(1,90))

accuracy_score(y_train,y_test_pred)

这样你在比对的时候，y_train是取的训练集中的label，y_test_pred是预测的测试集的label，两个维度不同当然不能比对

不是的，分离训练集和测试集，分得好的话结果会更好，而且这个是随机分的，再运行会得到不同的结果

训练集准确率和测试集准确率没有必然关系。当模型出现过拟合的时候，会有测试准确率下降的情况

准确率不同的原因通常有：

1、数据分离后，数据被随机打乱，因此训练数据和预测数据都可能会有变化，肯定会影响模型及其表现；

2、不同的算法，迭代一样的次数，模型更新的权重会有差异，也就是说模型不完全一样

同样的模型结构，但经过多次迭代后权重参数可能会有差异（比如如果每次迭代都随机从总体数据集中抽取部分数据），导致最后的模型不完全一样。但通常来说，迭代次数足够多，收敛以后，准确率差异性不会特别大。