accuracy_score#

sklearn.metrics.accuracy_score(y_true, y_pred, *, нормализовать=True, sample_weight=None)[источник]#

Оценка точности классификации.

В многометочной классификации эта функция вычисляет точность подмножества: набор меток, предсказанных для образца, должен точно соответствуют соответствующему набору меток в y_true.

Подробнее в Руководство пользователя.

Параметры:
y_true1d array-like, или массив индикаторов меток / разреженная матрица

Истинные (правильные) метки. Разреженная матрица поддерживается только когда метки имеют многометочный тип.

y_pred1d array-like, или массив индикаторов меток / разреженная матрица

Предсказанные метки, как возвращенные классификатором. Разреженная матрица поддерживается только когда метки имеют многометочный тип.

нормализоватьbool, по умолчанию=True

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

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:
scorefloat

Если normalize == True, возвращает долю правильно классифицированных выборок, иначе возвращает количество правильно классифицированных выборок.

Лучшая производительность составляет 1.0 с normalize == True и количество выборок с normalize == False.

Смотрите также

balanced_accuracy_score

Вычислить сбалансированную точность для работы с несбалансированными наборами данных.

jaccard_score

Вычисляет коэффициент сходства Жаккара.

hamming_loss

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

zero_one_loss

Вычислить потерю классификации Zero-one. По умолчанию функция вернет процент неправильно предсказанных подмножеств.

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 случае многометочной классификации с бинарными индикаторами меток:

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