accuracy_score 是 sklearn.metrics 模块中的一个函数，在分类任务里用于计算分类器的准确率。准确率即分类正确的样本数与总样本数的比值，是衡量分类模型性能的常用指标。
计算公式
Accuracy = {TP + TN}\{TP + TN + FP + FN} 其中：
- (TP)（True Positives）：真正例，即实际为正类且被预测为正类的样本数。
- (TN)（True Negatives）：真反例，即实际为反类且被预测为反类的样本数。
- (FP)（False Positives）：假正例，即实际为反类但被预测为正类的样本数。
- (FN)（False Negatives）：假反例，即实际为正类但被预测为反类的样本数。
函数原型
sklearn.metrics.accuracy_score(y_true, y_pred, *, normalize=True, sample_weight=None)
参数解释
y_true：实际的标签，是 1 维数组或者类数组对象。y_pred：预测的标签，是 1 维数组或者类数组对象。normalize：布尔值，默认为True。若为True，则返回分类正确的样本比例；若为False，则返回分类正确的样本数量。sample_weight：可选的样本权重，是 1 维数组或者类数组对象。
返回值
- 若
normalize=True，返回分类正确的样本比例；若normalize=False，返回分类正确的样本数量。
示例代码
from sklearn.metrics import accuracy_score
# 实际标签
y_true = [0, 1, 0, 1, 1]
# 预测标签
y_pred = [0, 1, 1, 1, 0]
# 计算准确率
accuracy = accuracy_score(y_true, y_pred)
print("Accuracy:", accuracy)
在这个示例中，先导入了 accuracy_score 函数，然后定义了实际标签 y_true 和预测标签 y_pred，最后调用 accuracy_score 函数计算并打印出准确率。
注意：本文归作者所有，未经作者允许，不得转载
