将文件chn去空格，最后1000行作为测试语料，其他为训练语料。对于n=1~70以及n=h(h为每句话最后一个字的所有历史)，对测试语料的每个句子的每个字c，当前面n-1个字已知时，预测c，计算预测正确率，并分析实验结果。

首先，我们需要对语料进行处理，将文件chn去空格，然后将前面的部分作为训练语料，后面的1000行作为测试语料。可以使用以下Python代码实现：

# 读取文件
with open('chn.txt', encoding='utf-8') as f:
    lines = f.readlines()

# 去空格
lines = [line.strip().replace(' ', '') for line in lines]

# 分离训练语料和测试语料
train_data = lines[:-1000]
test_data = lines[-1000:]

接着，我们可以定义一个函数`predict`，用于对测试语料中每个句子的每个字进行预测，并计算预测正确率。对于每个句子，我们需要遍历每个字，并根据前面n-1个字预测当前字。为了方便，我们可以将每个字转换成它前面n-1个字的字符串，作为一个特征。然后，我们可以使用这些特征来训练一个分类器，例如朴素贝叶斯分类器或支持向量机等。在预测时，我们可以利用分类器对当前字进行预测，并计算预测正确率。

以下是一个简单的实现：

from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

def predict(train_data, test_data, n):
    # 构造训练数据和标签
    X_train = []
    y_train = []
    for line in train_data:
        for i in range(n-1, len(line)):
            X_train.append(line[i-n+1:i])
            y_train.append(line[i])

    # 计算特征向量
    vectorizer = CountVectorizer(analyzer='char')
    X_train_vec = vectorizer.fit_transform(X_train)

    # 训练分类器
    clf = MultinomialNB()
    clf.fit(X_train_vec, y_train)

    # 预测测试数据并计算准确率
    X_test = []
    y_test = []
    for line in test_data:
        for i in range(n-1, len(line)):
            X_test.append(line[i-n+1:i])
            y_test.append(line[i])

    X_test_vec = vectorizer.transform(X_test)
    y_pred = clf.predict(X_test_vec)
    accuracy = sum(y_pred == y_test) / len(y_test)

    return accuracy

最后，我们可以使用以下代码对不同的n值进行实验，并输出预测准确率：

for n in range(1, 71):
    accuracy = predict(train_data, test_data, n)
    print(f'n={n}: accuracy={accuracy}')

需要注意的是，这只是一个简单的实现，并且在处理中文文本时可能存在一些问题，例如分词、词性标注等。因此，实验结果仅供参考。