本关任务
本关实现准确度评估函数，来评估聚类算法的效果。
相关知识
在前三个关卡中，我们学习了 K-measn 聚类算法中，三个比较关键的组成部分，包括欧几里得距离计算公式、找出每个样本的最近邻簇中心和重新计算每个簇的聚类中心。本关卡中，我们将学习评估聚类算法优劣的方法。
通常对于一个具有 K 个簇的数据集 {(x,y)}，x 是单个样本，y （1<=y<=K）是其所在的簇标识。我们的聚类算法会针对每个样本 x 输出一个他所在的簇，记为y'（1<=y'<=K）。为了评估聚类算法的效果，我们需要比较算法得出的 y'和实际数据集中的簇 y 的差异。
一种比较常见的评估聚类算法好坏的指标就是精度，定义为：
Accu\fracy(yˉ,y)=i∑nI(yˉi=yi)/N
其中 N 是数据集中的样本个数，公式：
I(yˉi=yi)
代表比较函数，若两者相等则输出 1，否则输出 0。
编程要求
本关卡要求你实现函数 acc，在右侧编辑器 Begin-End 区间补充代码，需要填充的代码块如下：
# -*- coding: utf-8 -*-def acc(x1, x2):"""计算精度参数:x1 - numpy数组x2 - numpy数组返回值：value - 浮点数，精度"""value = 0# 请在此添加实现代码 ##********** Begin *********##********** End ***********#return value
测试说明
平台将对你的函数输入两个整数向量，比对函数 acc 的输出结果与正确结果的差异，只有完全正确才能通关。
代码：
# -*- coding: utf-8 -*-
def acc(x1, x2):"""计算精度参数:x1 - numpy数组x2 - numpy数组返回值：value - 浮点数，精度"""value = 0# 请在此添加实现代码 ##********** Begin *********#import numpy as npvalue = float(np.sum(x1==x2))/len(x1)#********** End ***********#return value
