一、主要函數
sklearn.metrics.accuracy_score() 是 scikit-learn 中用于計算分類模型準確率的函數，適用于評估分類任務的整體性能。
1、核心功能
- 作用：計算模型預測的準確率，即正確分類的樣本數占總樣本數的比例。
- 公式：Accuracy=TP?+?TN/TP?+?TN?+?FP?+?FNTP?+?TN
- ?其中，TP（True Positive）、TN（True Negative）為正確分類的正負樣本，FP（False Positive）、FN（False Negative）為錯誤分類的樣本。
2、參數解析
accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)y_true：真實標簽數組（必填）。y_pred：模型預測的標簽數組（必填）。normalize（默認?True）：True：返回正確分類的比例（如 0.8）。False：返回正確分類的樣本數（如 4）。
sample_weight：樣本權重數組，用于對不同樣本賦予不同重要性（如處理類別不平衡問題）
3、應用場景與局限性
- 適用場景：
- 類別分布均衡時，能較好反映模型整體性能。
- 快速評估模型基線效果（如對比不同算法的初步結果）。
- 局限性：
- 類別不平衡時誤導性高：例如 99% 的樣本為負類，模型全預測負類時準確率仍為 99%，但實際性能差。
- 需結合其他指標：推薦同時使用召回率（
recall_score）、精確率（precision_score）或 F1 值（f1_score）綜合評估。
4、擴展說明
- 與?
model.score()?的關系：model.score(X_test, y_test)?默認調用?accuracy_score，兩者等價。 - 多標簽任務：若需處理多標簽分類，需結合?
average?參數（如?micro、macro）調整計算方式
二、篩選超參數
import numpy as np
from sklearn.datasets import load_iris#加載鳶尾花數據集
iris=load_iris()
x=iris.data #數據集
y=iris.target #標簽集#劃分數據集
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x,y,train_size=0.8,random_state=666)#預測數據集
from sklearn.neighbors import KNeighborsClassifier #KNN均值分類函數
knn_classifier = KNeighborsClassifier(n_neighbors=5)#數據適配
knn_classifier.fit(x_train, y_train)#結果預測
y_predict = knn_classifier.predict(x_test)
print(y_predict)#結果：array([1, 2, 1, 2, 0, 1, 1, 2, 1, 1, 1, 0, 0, 0, 2, 1, 0, 2, 2, 2, 1, 0,2, 0, 1, 1, 0, 1, 2, 2])#模型評價（手動算）
accutacy = np.sum(y_predict == y_test) / len(y_test)
print(accutacy ) #結果：1.0#模型評價（使用sklearn.metrics.accuracy_score函數）
from sklearn.metrics import accuracy_score
accuracy_score(y_test,y_predict) #結果：1.0
 和 Makefile 和 gdb)