使用sklearn的accuracy_score计算准确率时，2d array与1d array的结果不同

最新推荐文章于 2023-07-20 14:56:29 发布
最新推荐文章于 2023-07-20 14:56:29 发布
阅读量885 收藏 1
点赞数
分类专栏： sklearn 文章标签： sklearn 机器学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qiongyaoxinpo/article/details/125720680
版权

背景

今天在做多标签分类任务时，使用了accuracy_score计算预测准确率，然而却出现了训练集的准确率不断上升，验证集的准确率始终保持在很低的情况，因此对这种现象进行了分析

数据分布？

一开始我认为时训练集和验证集之间的数据分布不同，但是在多次改变train_test_split的random_seed,调整test_size大小，改变验证集等方法后，结果仍然很低，因此排除了这种可能

归一化？

数据中存在负值，而模型采用relu激活函数，忽略了负值的影响，因此我使用sklearn的StandardScaler进行了归一化，结果仍然很低，排除了归一化的影响

变量名？

我甚至一度怀疑是变量名的问题，在对验证集进行测试的时候，重用了训练集的变量名，结果仍然很低，排除这种影响

最终找到accuracy_score

在这里插入图片描述
在使用accuracy_score之前，我着实没有想到输入的y_true和y_pred竟然是1维向量，这下子就可以明白了，1维的时候比较的是每个值是否一样，而输入是2维的时候，比较的是每个一维向量是否完全相等，而不是对每个值进行比较，这就导致了训练时准确率不断上升，而验证集始终停留在较低值的位置。训练集在训练时可以完全拟合到正确值，而验证集总会存在一两个错误，导致整个样本的标签预测错误。由于本次任务是多标签分类任务，一个样本存在多个标签，因此即使只正确1个标签，准确率也并非0。

总结

在使用sklearn的一些方法时，应该看清楚输入的维度，想要方便，使用矩阵计算，最终因为使用错误，浪费了一个上午

hangguns
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python随机生成体温并写入Excel
qq_45613277的博客
06-01 8200
Python随机生成体温并写入Excel 疫情期间在校需要时常测量体温，早晚各一次，并且要填入Excel表格中汇总，十分麻烦，所以写了一个Python程序生成随机数作为温度填入Excel中。 # coding=UTF-8 import random import xlrd import xlwt from xlutils.copy import copy # 前几列需要一些基本信息 用此函数生成 def create_value(): date=1 # 生成一天的数据 all_value
[Python] scikit-learn - accuracy_score(准确率分数)函数介绍和使用场景（案例）
老狼工作室的博客
01-24 2991
本文介绍了scikit-learn库中accuracy_score函数的具体功能、函数原型和使用场景，并提供了一个使用案例来说明其用法和作用。accuracy_score函数是在机器学习中广泛使用的函数，常用于计算分类器的准确率，帮助我们评估和比较不同分类器的性能。在实际应用中，我们可以根据准确率选择最优的分类器来解决具体的问题。
sklearn.metrics.accuracy_score/precision_score/recall_score、micro/macro/weighted(准确率、召回率)
wrwhahah的博客
12-01 6480
1、accuracy即我们通常理解的准确率，计算的时候是指在预测值pred与目标值target之间重叠的部分的大小除以pred的大小(或target的大小,因为sklearn要求pred与target大小必须一致)。 比如target=[2,2,2,3,2] pred=[2,2,1,3,4] 此时重叠的部分为pred[0]、pred[1]、pred[3]，accuracy=3/5=0.6 而precision_score意思类似，但不完全一样，它是从pred的角度考虑，意思是我虽然预测了
sklearn工具包---分类效果评估（acc、recall、F1、ROC、回归、距离）
飘过的春风
11-21 1万+
一、acc、recall、F1、混淆矩阵、分类综合报告 1、准确率 第一种方式：accuracy_score # 准确率 import numpy as np from sklearn.metrics import accuracy_score y_pred = [0, 2, 1, 3,9,9,8,5,8] y_true = [0, 1, 2, 3,2,6,3,5,9] #共9个数据，3个...
accuracy_score分类准确率
缘 源 园
03-16 9958
accuracy_score分类准确率分数是指所有分类正确的百分比。分类准确率分数是指所有分类正确的百分比。分类准确率这一衡量分类器的标准比较容易理解，但是它不能告诉你响应值的潜在分布，并且它也不能告诉你分类器犯错的类型。 sklearn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None) normalize：默认值为True，返回正确分类的比例；如果为False，返回正确分类的样本数 import.
使用sklearn的cross_val_score进行交叉验证实例
09-17
例如，我们可以选择`'accuracy'`（准确率）、`'precision'`（精确率）、`'recall'`（召回率）、`'f1'`（F1分数）等。具体可选的评分方法可以在`sklearn.metrics`模块的文档中查找。 除了K近邻算法，`sklearn`库还...
RandomForest_sklearn.zip_sklearn_sklearn RF_southern9qq_随机森林
07-15
计算预测准确率。 ```python accuracy = accuracy_score(y_test, y_pred) print("Accuracy:", accuracy) ``` 除了基本用法，还可以调整其他参数，例如`max_depth`限制树的最大深度，`min_samples_split`和`min...
DT.zip_sklearn_sklearn分类_决策树算法用于分类
09-23
print(f'模型准确率: {accuracy}') ``` 5. **决策树的优化** 决策树可能会面临过拟合或欠拟合的问题。为了提高模型的泛化能力，可以通过调整参数，如增加`max_depth`限制树的复杂性，或者使用正则化技术如剪枝。另外...
accuracy--recall-Python.zip_accuracy_accuracy@k recall@k_python推
07-15
Python代码编写的一个推荐算法的准确率/召回率得计算源码
机器学习性能评价指标的适用情境
weixin_40551464的博客
09-08 1659
评估机器学习算法的性能是所有项目的重要组成部分。 当使用诸如 accuracy_score 等指标进行评估时，您的模型可能会给您带来令人满意的结果，但当使用其他指标（例如 logarithmic_loss 等）进行评估时，结果可能会很差。在实际应用中，我们会根据不同的任务需求选择不同的评价指标，在对比不同模型的能力时，使用不同的评价指标往往会导致不同的评价结果。这一结果表明，模型的“好坏”是相对的。什么样的模型是好模型？这一问题不仅取决于算法和数据，还与任务需求密切相关。
深入理解from sklearn.metrics import accuracy_score，小白一看就懂
qlkaicx的博客
06-14 3098
在上面的例子中，y_true是真实的分类标签，y_pred是模型预测的分类标签。其中有4个样本的分类标签预测正确，一个样本预测错误，因此准确率为0.8(4/5)。accuracy_score()函数在机器学习的分类任务中广泛使用，可以衡量分类模型的整体性能，但是也需要结合其他指标进行综合分析。需要注意的是，分类准确率并不一定是一个好的评估指标，特别是在数据类别不平衡的情况下。在这种情况下，其他评估指标，如召回率、精确度和F1-score，可能更加适用。
metrics.accuracy_score()函数 计算acc
qq_45288176的博客
06-03 4834
引子 ：如图：在各种机器学习算法中我们经常会遇见metrics.accuracy_score()这个函数，她到底有什么作用呢？为此我专门搜集了一些先关资料。在二分类或者多分类中，预测得到的label，跟真实label比较，计算准确率。即：通过prediction预测结果和test_y测试集结果 计算得到模型的准确率分类准确率分数：是指所有分类正确的百分比......
【Sklearn】sklearn.metrics中的评估方法-accuracy_score,recall_score,roc_curve,roc_auc_score,confusion_matrix
小苏打的学习博客
06-03 2万+
目录 accuracy_score recall_score roc_curve roc_auc_score confusion_matrix 1. accuracy_score 分类准确率分数是指所有分类正确的百分比。分类准确率这一衡量分类器的标准比较容易理解，但是它不能告诉你响应值的潜在分布，并且它也不能告诉你分类器犯错的类型。 形式： sklearn.metrics.accuracy...
sklearn中的评价指标介绍(异常检测过程记录)
Jasminexjf的博客
03-20 5341
模型评估 评价指标Evaluation metrics 分类评价指标 1 准确率 2 平均准确率 3 对数损失Log-loss 4 基于混淆矩阵的评估度量 41 混淆矩阵 42 精确率Precision 43 召回率Recall 44 F1-score 5 AUCArea under the ...
使用sklearn accuracy_score,f1_score,roc_auc_score,recall_score,precision_score对模型进行评估
u011311291的博客
05-31 1万+
评估模型一般都涉及到几个名词，而且分为两种类型： 先上混淆矩阵图,然后通过混淆矩阵更能清晰了解计算过程。 1.以下都是针对某一个类别而言，一般用于更关注哪个类别是否被分对了 计算的时候只分2类，这里的2分类是指类别只有2种，那么对于多分类，比如苹果，梨，桃子，在使用的时候需要针对某类进行2分类，比如’是苹果’，’不是苹果’,这时候也就是关注苹果了。 Precision,正确率(TP/T...
基于sklearn计算precision、recall等分类指标
酒酿小圆子呀～
07-20 3419
我们可以知道，精度(precision)、查全率(recall)、F1的计算，是针对于二分类器来定义的。他们的计算，只与y_true和y_pred有关，要求y_true和y_pred中只含有0和1两个类别。我们在实际计算上述分类指标中，可以直接调用sklearn中的函数库实现。
sklearn 中指标计算公式
qq_16236875的博客
08-13 1714
TP：正例预测正确的个数 FP：负例预测错误的个数 TN：负例预测正确的个数 FN：正例预测错误的个数 1. accuracy_score(y_true,y_pred) 准确率（accuracy）是所有预测对的right/all 例子： >>>y_pred = [0, 2, 1, 3] >>>y_true = [0, 1, 2, 3] >>>accuracy_score(y_true, y_pred) 0.5 2. prec...
sklearn预测评估指标计算详解：准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1score
master_hunter的博客
01-03 4878
很多时候需要对自己模型进行性能评估，对于一些理论上面的知识我想基本不用说明太多，关于校验模型准确度的指标主要有混淆矩阵、准确率、精确率、召回率、F1 score。机器学习：性能度量篇-Python利用鸢尾花数据绘制ROC和AUC曲线机器学习：性能度量篇-Python利用鸢尾花数据绘制P-R曲线sklearn预测评估指标：混淆矩阵计算详解-附Python计算代码这里我们主要进行实践利用sklearn快速实现模型数据校验，完成基础指标计算。
sklearn计算准确率、精确率、召回率、F1 score
热门推荐
MrLittleDog的博客
03-06 17万+
目录混淆矩阵准确率精确率召回率 分类是机器学习中比较常见的任务，对于分类任务常见的评价指标有准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 score、ROC曲线（Receiver Operating Characteristic Curve）等。 这篇文章将结合sklearn对准确率、精确率、召回率、F1 score进行讲解，ROC曲线可以参考我的这篇文章...
使用accuracy_score计算knn模型在测试数据集上的分类精度
最新发布
03-12
然后，使用knn模型对测试数据集进行预测，并将预测结果与真实标签进行比较，计算分类准确率： ```python y_pred = knn_model.predict(X_test) # 使用knn模型对测试数据集进行预测 accuracy = accuracy_score(y_test,...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值