accuracy_score

sklearn.metrics.accuracy_score(y_true, y_pred, *, normalize=True, sample_weight=None)[исходный код]

Оценка точности классификации.

В многометочной классификации эта функция вычисляет точность по подмножеству: набор меток, предсказанных для образца, должен точно совпадать с соответствующим набором меток в y_true.

Подробнее см. в Руководстве пользователя.

Параметры:

y_trueодномерный массив или объект, подобный массиву, либо массив индикаторов меток / разреженная матрица

Истинные (правильные) метки. Разреженная матрица поддерживается только для меток типа многометочных.

y_predодномерный массив или объект, подобный массиву, либо массив индикаторов меток / разреженная матрица

Предсказанные метки, возвращённые классификатором. Разреженная матрица поддерживается только для меток типа многометочных.

normalizebool, по умолчанию=True

Если False, вернуть количество правильно классифицированных образцов. В противном случае вернуть долю правильно классифицированных образцов.

sample_weightобъект, подобный массиву, формы (n_samples,), по умолчанию=None

Веса образцов.

Возвращает:

scorefloat

Если normalize == True, возвращает долю правильно классифицированных образцов, в противном случае возвращает их количество.

Наилучший результат — 1.0 при normalize == True и количество образцов при normalize == False.

См. также

balanced_accuracy_score

Вычислить сбалансированную точность для работы с несбалансированными наборами данных.

jaccard_score

Вычислить коэффициент сходства Жаккара.

hamming_loss

Вычислить среднюю потерю Хэмминга или расстояние Хэмминга между двумя наборами образцов.

zero_one_loss

Вычислить ошибку классификации «ноль или единица». По умолчанию функция возвращает процент подмножеств с несовершенными предсказаниями.

Примеры

>>> from sklearn.metrics import accuracy_score
>>> y_pred = [0, 2, 1, 3]
>>> y_true = [0, 1, 2, 3]
>>> accuracy_score(y_true, y_pred)
0.5
>>> accuracy_score(y_true, y_pred, normalize=False)
2.0

В многометочном случае с двоичными индикаторами меток:

>>> import numpy as np
>>> accuracy_score(np.array([[0, 1], [1, 1]]), np.ones((2, 2)))
0.5

Примеры из галереи

Построение графика вероятности классификации

Деревья решений с многоклассовым AdaBoost

Вероятностные предсказания с классификацией на основе гауссовских процессов (GPC)

Демонстрация многометочной оценки для cross_val_score и GridSearchCV

Важность масштабирования признаков

Основные нововведения scikit-learn 1.9

Влияние изменения порога на самообучение

Классификация текстовых документов с использованием разреженных признаков