超清晰解释：为什么两个正确率（score）数值不一样？
我直接给你讲最核心、最本质的原因，保证你一看就懂！
你代码里这两行：
python
print(f'正确率：{estimator.score(x_train,y_train)}') # 0.98
print(f'正确率:{accuracy_score(y_test,y_predict)}') # 0.91一句话总结
一个是"做过的题得分"，一个是"没做过的新题得分"，当然不一样！
1. 两个分数到底算的是什么？
① score(x_train, y_train) → 训练集正确率 0.98
- 用训练集数据打分
- 模型早就见过这些数据，已经学过了
- 相当于：拿课堂练习题考学生
- 学生当然得分高！
② accuracy_score(y_test, y_predict) → 测试集正确率 0.91
- 用测试集数据打分
- 模型从来没见过这些数据
- 相当于：拿全新期末考试卷考学生
- 分数自然会比训练集低一点，这才是模型真实能力
2. 为什么训练集分数一定更高？
机器学习模型会努力记住训练集的规律，甚至会：
- 记住训练集里的细节
- 记住训练集里的噪声
所以在自己学过的数据上表现极好。
但测试集是全新数据 ，模型不能"背答案"，
所以分数会更真实、更低、更有参考价值。
3. 你的结果完全正常！
训练集正确率：0.98 ✅ 正常（见过的题）
测试集正确率：0.91 ✅ 正常（没见过的新题）只要测试集正确率不是远低于训练集 （比如 0.98 vs 0.5），
就说明没有过拟合，模型很健康。
4. 最重要的结论（一定要记住）
我们看模型好坏，只看测试集分数！
0.91才是模型真实准确率0.98只是记忆分数，不能代表模型能力
5. 你代码里的小问题（顺手帮你改）
你写的：
python
print(f'正确率：{estimator.score(x_train,y_train)}')应该改成：
python
print(f'训练集正确率：{estimator.score(x_train,y_train)}')
print(f'测试集正确率：{accuracy_score(y_test,y_predict)}')这样就不会混淆了。
最终超级简单总结
- 0.98 ：模型做自己学过的题 → 分数高
- 0.91 ：模型做全新的考题 → 分数真实
- 两个不一样 = 完全正常 = 机器学习必然现象