1.acc计算原理
sklearn中accuracy_score函数计算了准确率。
在二分类或者多分类中，预测得到的label，跟真实label比较，计算准确率。
在multilabel（多标签问题）分类中，该函数会返回子集的准确率。如果对于一个样本来说，必须严格匹配真实数据集中的label，整个集合的预测标签返回1.0；否则返回0.0.
2.acc的不适用场景：
在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc也有 99% 以上，没有意义。因此，单纯靠准确率来评价一个算法模型是远远不够科学全面的。在类别不平衡没那么太严重时，该指标具有一定的参考意义。
3.metrics.accuracy_score()的使用方法
不管是二分类还是多分类，还是多标签问题，计算公式都为：
只是在多标签问题中，TP、TN要求更加严格，必须严格匹配真实数据集中的label。
sklearn.metrics.accuracy_score(y_true, y_pred, *, normalize=True, sample_weight=None)
输入参数：
y_true：真是标签。二分类和多分类情况下是一列，多标签情况下是标签的索引。
y_pred：预测标签。二分类和多分类情况下是一列，多标签情况下是标签的索引。
normalize:bool, optional (default=True)，如果是false，正确分类的样本的数目(int)；如果为true，返回正确分类的样本的比例，必须严格匹配真实数据集中的label，才为1，否则为0。
sample_weight：array-like of shape (n_samples,), default=None。Sample weights.
输出：文章来源：https://www.toymoban.com/news/detail-433393.html
如果normalize == True,返回正确分类的样本的比例，否则返回正确分类的样本的数目(int)。文章来源地址https://www.toymoban.com/news/detail-433393.html
到了这里，关于accuracy_score函数的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
