如何查出准确率？
How to find out the accuracy?
我想知道sklearn中是否有对应准确率（实际数据和预测数据之间的差异）的函数以及如何打印出来？
from sklearn import datasets
iris = datasets.load_iris()
from sklearn.naive_bayes import GaussianNB
naive_classifier= GaussianNB()
y =naive_classifier.fit(iris.data, iris.target).predict(iris.data)
pr=naive_classifier.predict(iris.data)
scikit 中的大多数分类器都有一个内置的 score() 函数，您可以在其中输入 X_test 和 y_test，它将为该估计器输出适当的指标。对于分类估计器，它主要是 'mean accuracy'.
另外 sklearn.metrics 有许多可用的函数，它们将输出不同的指标，如 accuracy、precision、recall 等
对于您的具体问题，您需要 accuracy_score
from sklearn.metrics import accuracy_score
score = accuracy_score(iris.target, pr)
分类问题使用 "metrics.accuracy_score"，回归问题使用 "metrics.r2_score"。
您必须从 sklearn.metrics 导入 accuracy_score。应该是这样的，
from sklearn.metrics import accuracy_score
print accuracy_score(predictions,test set of labels)
准确度公式为：
正确分类的点数/测试集中的所有点
您可以使用 accuracy_score，查找文档 here。
像这样实现 -
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(prediction, labels_test)
这将 return 一个浮点值。浮点值描述（正确分类的点数）/（测试集中的总点数）
首先您需要从 sklearn 导入指标，在指标中您需要导入 accuracy_score
然后就可以得到准确率分数
accuracy_score公式为
accuracy_score=correct_predictions/No 的预测
from sklearn.metrics import accuracy_score
accuracy_score(y_actual,y_predicted)
PS。它非常适合分类技术
您可以直接使用GaussianNB中的score()功能。这样就不需要先预测标签再计算准确率了。
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
gnb = gnb.fit(train_data, train_labels)
score = gnb.score(test_data, test_labels)
您始终可以使用 sklearn 的指标来获取模型的准确性，您可以使用 accuracy_score(test_data,predictions) 来获取模型值与实际值之间的差异，除此之外，您还可以检查模型中的错误率 metrics.mean_absolute_error(y_test,predictions) 表示平均绝对误差，metrics.mean_squared_error(y_test, predictions) 表示均方误差。等等
我想知道sklearn中是否有对应准确率（实际数据和预测数据之间的差异）的函数以及如何打印出来？
from sklearn import datasets
iris = datasets.load_iris()
from sklearn.naive_bayes import GaussianNB
naive_classifier= GaussianNB()
y =naive_classifier.fit(iris.data, iris.target).predict(iris.data)
pr=naive_classifier.predict(iris.data)
scikit 中的大多数分类器都有一个内置的 score() 函数，您可以在其中输入 X_test 和 y_test，它将为该估计器输出适当的指标。对于分类估计器，它主要是 'mean accuracy'.
另外 sklearn.metrics 有许多可用的函数，它们将输出不同的指标，如 accuracy、precision、recall 等
对于您的具体问题，您需要 accuracy_score
from sklearn.metrics import accuracy_score
score = accuracy_score(iris.target, pr)
分类问题使用 "metrics.accuracy_score"，回归问题使用 "metrics.r2_score"。
您必须从 sklearn.metrics 导入 accuracy_score。应该是这样的，
from sklearn.metrics import accuracy_score
print accuracy_score(predictions,test set of labels)
准确度公式为：
正确分类的点数/测试集中的所有点
您可以使用 accuracy_score，查找文档 here。
像这样实现 -
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(prediction, labels_test)
这将 return 一个浮点值。浮点值描述（正确分类的点数）/（测试集中的总点数）
首先您需要从 sklearn 导入指标，在指标中您需要导入 accuracy_score
然后就可以得到准确率分数
accuracy_score公式为
accuracy_score=correct_predictions/No 的预测
from sklearn.metrics import accuracy_score
accuracy_score(y_actual,y_predicted)
PS。它非常适合分类技术
您可以直接使用GaussianNB中的score()功能。这样就不需要先预测标签再计算准确率了。
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
gnb = gnb.fit(train_data, train_labels)
score = gnb.score(test_data, test_labels)
您始终可以使用 sklearn 的指标来获取模型的准确性，您可以使用 accuracy_score(test_data,predictions) 来获取模型值与实际值之间的差异，除此之外，您还可以检查模型中的错误率 metrics.mean_absolute_error(y_test,predictions) 表示平均绝对误差，metrics.mean_squared_error(y_test, predictions) 表示均方误差。等等