机器学习：性能度量_分类_准确率

一、介绍

准确率是指在分类问题中，预测准确占总样本的比例。

公式：$accuracy(y,\hat{y}) = \frac{1}{n_{samples}}\sum_{i=1}^{n_{samples}-1}1(\hat{y_i}=y_i)$，其中$\hat{y}$表示预测值，$y$表示真实值，$n_{samples}$表示样本数。

二、accuracy_score

1.原型

sklearn.metrics.accuracy_score(y_true,y_pred,normalize=True,sample_weight=None)

2.参数

• y_true:样本集的真实标记。
• y_pred:分类器对样本集预测的预测值。
• normalize:如果为True，则返回分类正确的比例(准确率)，为一个浮点数；否则返回分类正确的数量，为一个整数。
• sample_weight:样本权重，默认每个样本的权重为1.

3.示例代码

from sklearn.metrics import accuracy_score
y_true = [1,1,1,1,1,0,0,0,0,0]
y_pred = [0,0,1,1,0,0,1,1,0,0]
print("Accuracy Score(normalize=True):",accuracy_score(y_true,y_pred,normalize=True))
print("Accuracy Score(normalize=False):",accuracy_score(y_true,y_pred,normalize=False))

Accuracy Score(normalize=True): 0.5
Accuracy Score(normalize=False): 5