詳解accuracy_score函數

機器學習領域中，準確率是一個重要的評估指標。在Python中，我們可以使用sklearn.metrics模塊下的accuracy_score函數來計算分類結果的準確率。本文將從多個方面詳細解析該函數。

一、計算準確率的意義

在評估模型性能時，我們需要對預測結果與真實值進行比對。準確率是其中一個常用的評估指標，其定義為預測正確的樣本數占樣本總數的比例。計算準確率可以幫助我們了解模型的預測能力，從而選擇更好的演算法或調整參數。

二、accuracy_score函數的用法

函數原型：accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)

參數說明：

• y_true：array-like，真實值
• y_pred：array-like，預測值
• normalize：bool類型，可選參數，默認為True，表示是否對結果進行歸一化（將計算結果除以樣本總數得到比例）
• sample_weight：array-like，可選參數，表示每個樣本的權重

函數返回值：準確率值或歸一化後的準確率值

  from sklearn.metrics import accuracy_score
  
  y_true = [0, 1, 0, 1]
  y_pred = [0, 1, 1, 1]
  
  acc = accuracy_score(y_true, y_pred)
  print(acc) # 輸出0.75

三、normalize參數的作用

accuracy_score函數的normalize參數控制是否對計算結果進行歸一化。當normalize為True時，函數計算的是分類正確的樣本比例；當normalize為False時，函數計算的是分類正確的樣本數。以樣本個數為5的情況為例，歸一化後的準確率比不歸一化的準確率要小，因為分母除以了較大的數量。

  y_true = [0, 1, 0, 1, 1]
  y_pred = [0, 1, 1, 1, 0]
  
  acc_norm = accuracy_score(y_true, y_pred, normalize=True)
  acc_unnorm = accuracy_score(y_true, y_pred, normalize=False)
  
  print(acc_norm) # 輸出0.6
  print(acc_unnorm) # 輸出3

四、計算樣本加權的準確率

有些模型中，不同樣本對準確率的貢獻是不同的，這時候我們可以使用sample_weight參數來指定每個樣本的權重。例如，有些任務中，正確預測少數類樣本比正確預測多數類樣本更重要，我們就可以將少數類樣本的權重賦值為更高的數值。

  y_true = [0, 1, 0, 1, 1]
  y_pred = [0, 1, 1, 1, 0]
  sample_weight = [1, 1, 2, 1, 1]
  
  acc_weighted = accuracy_score(y_true, y_pred, sample_weight=sample_weight)
  print(acc_weighted) # 輸出0.4

五、多分類問題中的準確率計算

在多分類問題中，分類準確率的計算需要對每個類別進行單獨的計算，然後對所有類別的計算結果求平均。sklearn.metrics模塊下的accuracy_score函數默認使用”全局正確率”的方式計算多分類問題的準確率，即將所有預測正確的樣本數除以總樣本數。

當y_true和y_pred中存在多個類別時，我們可以使用normalize和sample_weight參數來控制計算方式和權重。

  from sklearn.metrics import accuracy_score
  import numpy as np
  
  y_true = [0, 1, 0, 2, 1, 0]
  y_pred = [0, 1, 1, 2, 0, 1]
  
  # 默認使用「全局正確率」計算多分類問題的準確率
  acc = accuracy_score(y_true, y_pred)
  print(acc) # 輸出0.5
  
  # 按類別計算準確率
  acc0 = accuracy_score(y_true, y_pred, normalize=True, sample_weight=np.array([y_true.count(0)] + [0] * (len(set(y_true))-1)))
  acc1 = accuracy_score(y_true, y_pred, normalize=True, sample_weight=np.array([0, y_true.count(1), 0]))
  acc2 = accuracy_score(y_true, y_pred, normalize=True, sample_weight=np.array([0, 0, y_true.count(2)]))
  
  print(acc0) # 輸出0.6666666666666666
  print(acc1) # 輸出0.5
  print(acc2) # 輸出1.0

六、準確率計算的注意事項

準確率只是評估模型性能的一種指標，它並不能完全反映模型的好壞。在一些特殊情況下，比如樣本不平衡問題或分類問題中，其他指標更能代表模型的實際效果。

另外，模型的歸一化方式也會影響最終的準確率計算結果。如果使用不正確的歸一化方式，會錯誤地導致準確率的降低。

因此，在使用accuracy_score函數時，需要認真考慮輸入參數的含義，並結合具體問題來選擇合適的計算方式和權重。