机器学习的算法中，关于预测准确率的N种实现方案

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

在对各种数据集进行预测的过程中，最后一步总是要显示算法预测的准确度。注意，是准确度accuracy而不是查准率precision，这两个概念很容易混淆。

苏南大叔的“程序如此灵动”博客，记录苏南大叔的代码故事。本文测试环境：win10，python@3.12.0，pandas@2.1.3，catboost@1.2.5。

前文回顾

准确度accuracy，说的是整体样本中，被准备预测的比例。无论是阴性样本还是阳性样本。而查准率precision，说的是目标（阳性）样本中，被正确预测的比例。区别在于样本范围，accuracy范围是全体，precision说的目标群体。参考文章：

• https://newsn.net/say/sklearn-score-3.html

测试的样本集还是使用最经典的鸢尾花数据集，算法就使用最新文章里面的catboost算法。基础代码就参考这篇文章吧。直接跳转到准确度计算部分。参考文章：

• https://newsn.net/say/catboost-iris.html

预测结果：

[1 2 2 2 1 1 0 0 1 1 0 2 2 0 0 2 2 2 2 0 0 2 0 1]

真实值：

[1 1 2 2 1 1 0 0 1 1 0 2 2 0 0 2 2 1 2 0 0 2 0 1]

样本总数：24，预测成功数：22，准确度：91.666666%。

至此，展开本文的故事。

方案一，model.score()通用【推荐】

可以使用最通用的model.score()。

# model = ...
p1 = model.score(X_true, y_true)
print("准确率方案一:", p1)

注意，这里的参数是X_true和y_true。

方案二，accuracy_score()通用

from sklearn.metrics import accuracy_score
p2 = accuracy_score(y_true,y_pred)
print('准确率方案二:',p2)

注意，这里的参数是y_true和y_pred。

方案三，classification_report()可查看

这个report()的结果，表面上看是个表格类的结构化数据。但是打印type的话，是个string字符串，所以从中单独拆分出准确度accuracy的话，是个相对麻烦的事情。

from sklearn.metrics import classification_report
report = classification_report(y_true, y_pred)
print('准确率方案三:\n',report,type(report))

参考文章：

• https://newsn.net/say/sklearn-classification_report.html

方案四，自定义函数

仅仅是因为求转置数据有很多种方案，所以细分上也为很多方案。注意这里的数据维度是二维，如果是更多维度，这里的代码可能要做些修改。

import numpy as np
p4 = sum(y_pred.T[0] == y_true) / len(y_true)*100
print(f"准确率方案四: {p4}%")

p4_2 = sum(y_pred.swapaxes(0,1)[0] == y_true) / len(y_true)*100
print(f"准确率方案四: {p4_2}%")

p4_3 = sum(np.transpose(y_pred)[0] == y_true) / len(y_true)*100
print(f"准确率方案四: {p4_3}%")

p4_4 = sum(np.transpose(y_pred, axes=(1, 0))[0] == y_true) / len(y_true)*100
print(f"准确率方案四: {p4_4}%")

参考文章：

• https://newsn.net/say/ndarray-transpose.html
• https://newsn.net/say/ndarray-swapaxes.html
• https://newsn.net/say/dataframe-t.html
• https://newsn.net/say/python-string-f.html

结语

可见，准确度的计算除了官方提供的方法，也还有很多原始的算法的。万变不离其宗，都是计算和实际符合的样本数的比例的。更多机器学习的相关文章，请参考：

• https://newsn.net/tag/机器学习/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。