accuracy_score#

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

準確度分類分數。

在多標籤分類中，此函式計算子集準確度：樣本預測的標籤集合必須與 y_true 中對應的標籤集合完全匹配。

請在使用者指南中閱讀更多資訊。

參數:
y_true一維類陣列，或標籤指示陣列/稀疏矩陣

真實（正確）標籤。

y_pred一維類陣列，或標籤指示陣列/稀疏矩陣

由分類器返回的預測標籤。

normalize布林值，預設值為 True

如果 False，則返回正確分類的樣本數。否則，返回正確分類的樣本比例。

sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None

樣本權重。

回傳值:
score浮點數或整數

如果 normalize == True，則返回正確分類的樣本比例（浮點數），否則返回正確分類的樣本數（整數）。

最佳效能是當 normalize == True 時為 1，當 normalize == False 時為樣本數。

另請參閱

平衡準確度評分

計算平衡準確度以處理不平衡資料集。

傑卡德分數

計算 Jaccard 相似係數分數。

漢明損失

計算兩組樣本之間的平均漢明損失或漢明距離。

零一損失

計算零一分類損失。預設情況下，該函式將返回不完美預測子集的百分比。

範例

>>> 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

在具有二元標籤指示器的多標籤情況下

>>> import numpy as np
>>> accuracy_score(np.array([[0, 1], [1, 1]]), np.ones((2, 2)))
0.5