一、主要函数
sklearn.metrics.accuracy_score() 是 scikit-learn 中用于计算分类模型准确率的函数，适用于评估分类任务的整体性能。
1、核心功能
- 作用：计算模型预测的准确率，即正确分类的样本数占总样本数的比例。
- 公式：Accuracy=TP + TN/TP + TN + FP + FNTP + TN
- 其中，TP（True Positive）、TN（True Negative）为正确分类的正负样本，FP（False Positive）、FN（False Negative）为错误分类的样本。
2、参数解析
accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)y_true：真实标签数组（必填）。y_pred：模型预测的标签数组（必填）。normalize（默认True）：True：返回正确分类的比例（如 0.8）。False：返回正确分类的样本数（如 4）。
sample_weight：样本权重数组，用于对不同样本赋予不同重要性（如处理类别不平衡问题）
3、应用场景与局限性
- 适用场景：
- 类别分布均衡时，能较好反映模型整体性能。
- 快速评估模型基线效果（如对比不同算法的初步结果）。
- 局限性：
- 类别不平衡时误导性高：例如 99% 的样本为负类，模型全预测负类时准确率仍为 99%，但实际性能差。
- 需结合其他指标：推荐同时使用召回率（
recall_score）、精确率（precision_score）或 F1 值（f1_score）综合评估。
4、扩展说明
- 与
model.score()的关系：model.score(X_test, y_test)默认调用accuracy_score，两者等价。 - 多标签任务：若需处理多标签分类，需结合
average参数（如micro、macro）调整计算方式
二、筛选超参数
import numpy as np
from sklearn.datasets import load_iris#加载鸢尾花数据集
iris=load_iris()
x=iris.data #数据集
y=iris.target #标签集#划分数据集
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)#预测数据集
from sklearn.neighbors import KNeighborsClassifier #KNN均值分类函数
knn_classifier = KNeighborsClassifier(n_neighbors=5)#数据适配
knn_classifier.fit(x_train, y_train)#结果预测
y_predict = knn_classifier.predict(x_test)
print(y_predict)#结果：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])#模型评价（手动算）
accutacy = np.sum(y_predict == y_test) / len(y_test)
print(accutacy ) #结果：1.0#模型评价（使用sklearn.metrics.accuracy_score函数）
from sklearn.metrics import accuracy_score
accuracy_score(y_test,y_predict) #结果：1.0
