`sklearn.metrics`.accuracy_score¶

sklearn.metrics.accuracy_score()¶

Puntuación de la clasificación de precisión.

En la clasificación multietiqueta, esta función calcula la precisión del subconjunto: el conjunto de etiquetas predicho para una muestra debe exactamente coincidir con el conjunto correspondiente de etiquetas en y_true.

Más información en el Manual de usuario.

Parámetros

y_truearray-like 1d o arreglo de indicadores de etiqueta / matriz dispersa: Etiquetas de verdad fundamental (correctas).
y_predarray-like 1d o arreglo de indicadores de etiqueta / matriz dispersa: Etiquetas predichas, devueltas por un clasificador.
normalizebooleano, default=True: Si False, devuelve el número de muestras correctamente clasificadas. De lo contrario, devuelve la fracción de muestras correctamente clasificadas.
sample_weightarray-like de forma (n_samples,), default=None: Ponderados de muestras.

Devuelve

scoreflotante

Si normalize == True, devuelve la fracción de muestras correctamente clasificadas (flotante), de lo contrario devuelve el número de muestras correctamente clasificadas (int).

El mejor rendimiento es 1 con normalize == True y el número de muestras con normalize == False.

Ver también

jaccard_score, hamming_loss, zero_one_loss

Notas

En la clasificación binaria y multiclase, esta función es igual a la función jaccard_score.

Ejemplos

>>> from sklearn.metrics import accuracy_score
>>> y_pred = [0, 2, 1, 3]
>>> y_true = [0, 1, 2, 3]
>>> accuracy_score(y_true, y_pred)
0.5
>>> accuracy_score(y_true, y_pred, normalize=False)
2

En el caso multietiqueta con indicadores de etiqueta binaria:

>>> import numpy as np
>>> accuracy_score(np.array([[0, 1], [1, 1]]), np.ones((2, 2)))
0.5

Ejemplos usando `sklearn.metrics.accuracy_score`¶

sklearn.metrics.accuracy_score¶

Ejemplos usando sklearn.metrics.accuracy_score¶

`sklearn.metrics`.accuracy_score¶

Ejemplos usando `sklearn.metrics.accuracy_score`¶