本文共计932个文字，预计阅读时间需要4分钟。

SKlearn模型评估方法：准确率评估，使用`accuracy_score`函数。

SKlearn模型评估方法

准确率

1.accuracy_score

# 准确率 import numpy as np from sklearn.metrics import accuracy_score y_pred = [0, 2, 1, 3,9,9,8,5,8] y_true = [0, 1, 2, 3,2,6,3,5,9] accuracy_score(y_true, y_pred) Out[127]: 0.33333333333333331 accuracy_score(y_true, y_pred, normalize=False) # 类似海明距离，每个类别求准确后，再求微平均 Out[128]: 3

2.metrics

• 宏平均比微平均更合理，但也不是说微平均一无是处，具体使用哪种评测机制，还是要取决于数据集中样本分布
• 宏平均（Macro-averaging），是先对每一个类统计指标值，然后在对所有类求算术平均值。
• 微平均（Micro-averaging），是对数据集中的每一个实例不分类别进行统计建立全局混淆矩阵，然后计算相应指标。