为何KNN模型默认参数下在股票喜好预测数据集上准确率达99%？

以下是几个最可能的原因：

• 模拟数据集的特征与标签关联度过强
  你自己制作的模拟数据，大概率是按照「喜欢的股票对应明确的特征区间」来设计的——比如喜欢的股票流动比率稳定在1.5-3之间、滚动市盈率在10-25、集中在某几个行业，而不喜欢的股票特征完全落在这些区间外。这种特征和标签几乎一一对应的情况，不管用什么简单模型（包括默认参数的KNN）都能轻松区分，自然准确率拉满。

• 少数类与多数类的特征区分度极大
  虽然存在类别不平衡（500 vs 10500），但分类报告各项指标都很高，说明少数类也被精准识别了。这意味着少数类样本的特征和多数类几乎没有重叠——比如不喜欢的股票流动比率全低于0.8、市盈率超过40，和多数类的特征分布完全脱节。KNN基于距离分类，这种极端分明的分布哪怕样本量少，也能准确抓到少数类的边界。

• 模拟数据无噪声、无重叠
  真实股票数据里，同类别样本的特征会有重叠（比如同样是喜欢的股票，市盈率可能从8到30波动），还会有异常值（比如某只喜欢的股票因为特殊事件市盈率飙到50）。但你做的模拟数据大概率是「干净」的，没有这些干扰，所有样本的特征都严格对应标签，模型不需要复杂调参就能完美拟合。

• 默认参数刚好适配你的数据分布
  Sklearn的KNN默认用n_neighbors=5+欧氏距离，这个参数在特征区分度高的数据集上本来就表现不错。如果你的数据特征尺度一致（或者你已经做了标准化/归一化），欧氏距离能准确衡量样本间的相似性，5个邻居的设置也不会因为样本不平衡被多数类完全淹没——毕竟少数类特征太特殊，邻居里只会有同类样本。

内容的提问来源于stack exchange，提问作者JayTicku