accuracy_score

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

准确性分类评分。

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 exactly 匹配y_true中相应的标签集。

阅读更多的 User Guide .

参数:

y_true1D类数组或标签指示符数组/稀疏矩阵

地面真相（正确）标签。

y_pred1D类数组或标签指示符数组/稀疏矩阵

预测标签，由分类器返回。

normalize布尔，默认=True

如果 False ，返回正确分类的样本数量。否则，返回正确分类的样本的部分。

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

返回:

scorefloat或int

如果 normalize == True ，返回正确分类的样本的分数（float），否则返回正确分类的样本的数量（int）。

最好的性能是1与 normalize == True 以及样本数量 normalize == False .

参见

balanced_accuracy_score

计算平衡准确性以处理不平衡的数据集。

jaccard_score

计算Jaccard相似性系数得分。

hamming_loss

计算两组样本之间的平均海明损失或海明距离。

zero_one_loss

计算零一分类损失。默认情况下，该函数将返回不完全预测的子集的百分比。

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