在下面的代码（最后一行）中，根据文档使用了X_test和y_test：
返回给定的测试数据和标签
的平均准确度
问题是，由于X_test具有测试数据中的数据并且y_test具有这些数据的标签，因此将精确计算出什么。
检查预测标签与实际标签比较有意义。
您能告诉我第一种情况在最后一行如何工作吗？
X_train,X_test,y_train,y_test = train_test_split(iris_dataset['data'],iris_dataset['target'],random_state=0)
knn = KNeighborsClassifier(n_neighbors=1)
knn.fit(X_train,y_train)
print("Test set score: {:.2f}".format(knn.score(X_test,y_test)))
如果您选中docs：
Parameters:
X : array-like,shape = (n_samples,n_features)
Test samples.
y : array-like,shape = (n_samples) or (n_samples,n_outputs)
True labels for X.
sample_weight : array-like,shape = [n_samples],optional
Sample weights.
Returns:
score : float
Mean accuracy of self.predict(X) wrt. y.
后面会发生什么？
它的依据是：knn.predict(X_test)，然后使用此值来计算knn.predict(X_test),y_test之间的平均准确度。因此，正是您要搜索的内容。
您应该获得与sklearn.metrics.accuracy_score相同的输出：
from sklearn.metrics import accuracy_score
y_predict = knn.predict(X_test)
accuracy_score(y_test,y_predict)