accuracy_score#

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

Genauigkeits-Klassifikationsergebnis.

Bei der Multilabel-Klassifizierung berechnet diese Funktion die Subset-Genauigkeit: die Menge der für eine Stichprobe vorhergesagten Labels muss *exakt* mit der entsprechenden Menge der Labels in y_true übereinstimmen.

Lesen Sie mehr im Benutzerhandbuch.

Parameter:
y_true1D Array-ähnlich oder Label-Indikator-Array / Sparse Matrix

Grundwahrheits- (korrekte) Labels. Dünnbesetzte Matrizen werden nur unterstützt, wenn die Labels vom Typ Multilabel sind.

y_pred1D Array-ähnlich oder Label-Indikator-Array / Sparse Matrix

Vorhergesagte Labels, wie sie von einem Klassifikator zurückgegeben werden. Dünnbesetzte Matrizen werden nur unterstützt, wenn die Labels vom Typ Multilabel sind.

normalizebool, default=True

Wenn False, wird die Anzahl der korrekt klassifizierten Stichproben zurückgegeben. Andernfalls wird der Anteil der korrekt klassifizierten Stichproben zurückgegeben.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

Gibt zurück:
scorefloat

Wenn normalize == True, wird der Anteil der korrekt klassifizierten Stichproben zurückgegeben, andernfalls die Anzahl der korrekt klassifizierten Stichproben.

Die beste Leistung ist 1.0 mit normalize == True und die Anzahl der Stichproben mit normalize == False.

Siehe auch

balanced_accuracy_score

Berechnet die ausgewogene Genauigkeit zur Behandlung unausgeglichener Datensätze.

jaccard_score

Berechnet den Jaccard-Ähnlichkeitskoeffizienten-Score.

hamming_loss

Berechnet den durchschnittlichen Hamming-Verlust oder die Hamming-Distanz zwischen zwei Stichprobensätzen.

zero_one_loss

Berechnet den Null-Eins-Klassifizierungsverlust. Standardmäßig gibt die Funktion den Prozentsatz der fehlerhaft vorhergesagten Teilmengen zurück.

Beispiele

>>> 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

Im Multilabel-Fall mit binären Label-Indikatoren

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

Diese Seite