Python sklearn accuracy_score用法及代码示例

本文简要介绍python语言中 sklearn.metrics.accuracy_score 的用法。

用法:

sklearn.metrics.accuracy_score(y_true, y_pred, *, normalize=True, sample_weight=None)

准确度分类得分。

在多标签分类中，此函数计算子集精度：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。

在用户指南中阅读更多信息。

参数：

y_true：一维数组，或标签指示符数组/稀疏矩阵

基本事实(正确)标签。

y_pred：一维数组，或标签指示符数组/稀疏矩阵

分类器返回的预测标签。

normalize：布尔，默认=真

如果 False ，返回正确分类的样本数。否则，返回正确分类样本的分数。

sample_weight：形状类似数组 (n_samples,)，默认=None

样本权重。

返回：

score：浮点数

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

最好的性能是 1 与 normalize == True 和样本数与 normalize == False 。

注意：

在二进制分类中，此函数等于jaccard_score 函数。

例子：

>>> 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

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