准确率得分#

sklearn.metrics.accuracy_score(y_true, y_pred, *, normalize=True, sample_weight=None)[source]#

准确率分类评分。

在多标签分类中，此函数计算子集准确率：为样本预测的标签集必须*完全*匹配y_true中相应的标签集。

在用户指南中了解更多信息。

参数：
y_true一维数组类，或标签指示符数组/稀疏矩阵

真实（正确）标签。

y_pred一维数组类，或标签指示符数组/稀疏矩阵

预测标签，由分类器返回。

normalize布尔值，默认值=True

如果False，返回正确分类样本的数量。否则，返回正确分类样本的比例。

sample_weight形状为(n_samples,)的数组类，默认值=None

样本权重。

返回值：
score浮点数或整数

如果normalize == True，返回正确分类样本的比例（浮点数），否则返回正确分类样本的数量（整数）。

当normalize == True时，最佳性能为1；当normalize == False时，最佳性能为样本数量。

另见

balanced_accuracy_score

计算平衡准确率以处理不平衡数据集。

jaccard_score

计算 Jaccard 相似系数得分。

hamming_loss

计算两组样本之间的平均汉明损失或汉明距离。

零一损失

计算零一分类损失。默认情况下，该函数将返回预测不完美的子集的百分比。

示例

>>> from sklearn.metrics import accuracy_score
>>> y_pred = [0, 2, 1, 3]
>>> y_true = [0, 1, 2, 3]
>>> accuracy_score(y_true, y_pred)
0.5
>>> accuracy_score(y_true, y_pred, normalize=False)
2.0

在使用二元标签指示符的多标签情况下

>>> import numpy as np
>>> accuracy_score(np.array([[0, 1], [1, 1]]), np.ones((2, 2)))
0.5