accuracy_score
函数是Scikit-learn库中的一个函数,主要用于计算分类模型的准确率。
分类准确率是指在所有被分类的样本中,被正确分类的样本所占的比例。
它的计算方法是将被正确分类的样本数除以所有样本数,即正确分类的样本数 / 总样本数。
from sklearn.metrics import accuracy_score
# 真实标签
y_true = [0, 1, 1, 0, 1, 0]
# 预测标签
y_pred = [0, 1, 0, 0, 0, 1]
# 计算准确率
'''
准确率接受两个参数 真实y_true 和 预测y_pred
accuracy_score函数还有一个可选参数normalize
默认是true 返回准确率的百分比 如果的是false 返回正确分类的样本数
'''
# 使用normalize=True计算准确率(默认情况)
accuracy_normalized = accuracy_score(y_true, y_pred, normalize=True)
print(accuracy_normalized) # 输出: 0.5,表示50%的准确率
# 使用normalize=False计算正确分类的样本数量
num_correct = accuracy_score(y_true, y_pred, normalize=False)
print(num_correct) # 输出: 3,表示有3个样本被正确分类