metrics.accuracy_score()函数 计算acc

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，它到底有什么作用呢？为此我专门搜集了一些相关资料。

sklearn 中accuracy_score函数计算了准确率。

一：函数作用

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

print("The acc of the SVM is ;",metrics.accuracy_score(prediction,test_y))

print('The accuracy of the Logistic Regression is',metrics.accuracy_score(prediction,test_y))

二：函数介绍和使用

分类准确率分数：是指所有分类正确的百分比

sklearn.metrics.accuracy_score(

y_true,

y_pred,

*,

normalize=True,

sample_weight=None)

y_true：真是标签。二分类和多分类情况下是一列，多标签情况下是标签的索引。

y_pred：预测标签。二分类和多分类情况下是一列，多标签情况下是标签的索引。

normalize:bool, optional (default=True)，如果是false，正确分类的样本的数目(int)；如果为true，返回正确分类的样本的比例，必须严格匹配真实数据集中的label，才为1，否则为0。

sample_weight：array-like of shape (n_samples,), default=None。Sample weights.

补充：如果normalize == True,返回正确分类的样本的比例，否则返回正确分类的样本的数目(int)

实例：

#基于鸢尾花数据的一个例子

from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn import metrics

iris =pd.read_csv('iris.csv')
petal=iris[['PetalLengthCm','PetalWidthCm','Species']]
sepal=iris[['SepalLengthCm','SepalWidthCm','Species']]

train_p,test_p=train_test_split(petal,test_size=0.3,random_state=0)  #petals
train_x_p=train_p[['PetalWidthCm','PetalLengthCm']]
train_y_p=train_p.Species
test_x_p=test_p[['PetalWidthCm','PetalLengthCm']]
test_y_p=test_p.Species

model=svm.SVC()
model.fit(train_x_p,train_y_p)
prediction=model.predict(test_x_p)
print('The accuracy of the SVM using Petals is:',metrics.accuracy_score(prediction,test_y_p))