为什么决策树和knn的准确率是完全相同的(也是在特征缩放之后)？

决策树和knn的准确率在特征缩放之后可以相同的原因是因为它们的工作原理和特征处理方式不同。

决策树是一种基于树状结构的分类模型，它通过对特征的逐步划分来实现分类。决策树并不依赖于特征的缩放，它根据特征的取值范围和分布来选择最佳的划分点。因此，在特征缩放之后，决策树的准确率不会发生变化。

KNN（K-最近邻）算法是一种基于样本的分类算法，它根据样本之间的距离来决定其类别。在KNN算法中，特征缩放可以影响样本之间的距离计算，但在特征缩放之后，所有特征的尺度都相同，因此不会改变样本之间的相对距离。因此，特征缩放对KNN算法的准确率也不会有影响，可能会使得决策边界的形状发生变化。

综上所述，决策树和KNN在特征缩放之后的准确率可以相同，因为它们的算法原理和特征处理方式不同，特征缩放对它们的影响也不同。但需要注意的是，在实际应用中，不同的数据集和问题可能会导致它们的准确率有所差异。关于决策树和KNN的更详细信息，您可以参考腾讯云机器学习相关产品，如腾讯云机器学习平台（https://cloud.tencent.com/product/tccli）和腾讯云AI（https://cloud.tencent.com/product/ai）。