“算法计算准确率”（Accuracy）是最常见的模型评估指标之一，通常指模型预测正确的样本数占总样本数的比例。
[ \text{准确率} = \frac{\text{预测正确的样本数}}{\text{总样本数}} \times 100% ]
或用混淆矩阵表示（以二分类为例）：
[ \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} ]
其中：
假设测试集有 100 个样本：
则准确率为：
[ \frac{85}{100} = 85% ]
对于多分类问题：
[ \text{Accuracy} = \frac{\text{所有类别预测正确的样本数}}{\text{总样本数}} ]
例如 3 类分类，总样本 300，预测正确 240：
[ \frac{240}{300} = 80% ]
如果 99% 样本是负类，模型全预测为负，准确率也能到 99%，但模型无用。
此时应看：
准确率只反映“对错比例”，不反映“错在哪”。
from sklearn.metrics import accuracy_score
y_true = [1, 0, 1, 1, 0]
y_pred = [1, 0, 0, 1, 0]
acc = accuracy_score(y_true, y_pred)
print(acc) # 0.8
如果你指的是某种具体算法（如排序、回归、推荐系统），准确率的计算方式会不同，可以告诉我具体场景。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
