accuracy_score#
- sklearn.metrics.accuracy_score(y_true, y_pred, *, normalize=True, sample_weight=None)[source]#
准确率分类得分。
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。
在用户指南中阅读更多信息。
- 参数:
- y_true1d 数组类型，或标签指示器数组 / 稀疏矩阵
真实（正确）标签。
- y_pred1d 数组类型，或标签指示器数组 / 稀疏矩阵
预测标签，由分类器返回。
- normalize布尔值，默认值为 True
如果为
False，则返回正确分类的样本数量。否则，返回正确分类样本的比例。- sample_weight形状为 (n_samples,) 的数组类型，默认值为 None
样本权重。
- 返回:
- score浮点数或整数
如果
normalize == True，则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。
另请参阅
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。
zero_one_loss计算零一分类损失。默认情况下，函数将返回预测不完美子集的百分比。
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
在具有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
