accuracy_score简单例子说明

 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