accuracy_score#
- sklearn.metrics.accuracy_score(y_true, y_pred, *, normalize=True, sample_weight=None)#
准确性分类得分。
在多标签分类中，该函数计算子集准确性： 为样本预测的标签集必须*完全*匹配 y_true中对应的标签集。
更多信息请参阅 用户指南 。
- Parameters:
- y_true1d array-like, 或标签指示器数组 / 稀疏矩阵
真实标签（正确的）。
- y_pred1d array-like, 或标签指示器数组 / 稀疏矩阵
分类器返回的预测标签。
- normalizebool, 默认=True
如果为
False，返回正确分类的样本数量。 否则，返回正确分类样本的分数。- sample_weight形状为 (n_samples,) 的类数组, 默认=None
样本权重。
- Returns:
- scorefloat 或 int
如果
normalize == True，返回正确分类样本的分数（float），否则返回正确分类样本的数量（int）。最佳性能是
normalize == True时的 1 和normalize == False时的样本数量。
See also
balanced_accuracy_score计算平衡准确性以处理 不平衡数据集。
jaccard_score计算 Jaccard 相似系数得分。
hamming_loss计算两个样本集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，函数将返回不完全预测子集的百分比。
Examples
>>> 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
在多标签情况下使用二进制标签指示器：
>>> import numpy as np >>> accuracy_score(np.array([[0, 1], [1, 1]]), np.ones((2, 2))) 0.5
