accuracy_score#

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

准确度分类分数。

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与y_true中的相应标签集完全匹配。

在用户指南中了解更多信息。

参数:
y_true1d array-like, or label indicator array / sparse matrix

真实（正确）标签。仅当标签类型为多标签时才支持稀疏矩阵。

y_pred1d array-like, or label indicator array / sparse matrix

预测标签，由分类器返回。仅当标签类型为多标签时才支持稀疏矩阵。

normalizebool, default=True

如果为False，则返回正确分类的样本数。否则，返回正确分类样本的比例。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

样本权重。

返回:
scorefloat

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

当normalize == True时，最佳性能为1.0；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 相似系数分数。

hamming_loss

计算两组样本之间的平均 Hamming 损失或 Hamming 距离。

zero_one_loss

计算零一分类损失。默认情况下，函数将返回未完美预测子集的百分比。

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

在具有二进制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