我們知道，機器學習的一大任務是”分類”。我們構建了一個分類模型，通過訓練集訓練好后，那么這個分類模型到底預測效果怎么樣呢?那就需要進行評估驗證。

評估驗證當然是在測試集上。問題是，我通過什么評估這個分類模型呢?也就是說我們怎么給這個模型打分呢?

想想我們上學時的考試，總分100分，總共100道題，作對1題給1分，最后會有一個得分，例如80分，90分，換算成百分比就是80%，90%，這是我們自然而然能想到的評估方法。在測試集上，假定有10000個樣本數據，這個模型進行正確分類的樣本數據是9000個，其它1000個都分錯了，那么得分就是9000/10000=90%。

這種很簡單很直觀的評估方法就是正確率(Accuracy）。在一般情況下，這種方式就很好了，注意：正確率(Accuracy)也經常翻譯成準確率。

但是在很多情況下，這種方式就不那么好了。例如考試中的100道題，不是每道題都是1分，而是前90道題是選擇題，每題1分，后10道題是應用題，每題20分。A同學答對了前80道題，B同學答對了后80道題，按照答對題的數量，都是80道題，正確率都是80%。但是，后面的題更重要，B同學理應比A同學得分更高。

要知道我們的試卷就是這么設計的，也就是說有些題比其它題更重要，比如應用題就比選擇題重要。同樣，在數據樣本中，有些數據樣本就是比其它數據樣本更重要。

例如：地震局的地殼活動數據，100萬個測試數據樣本中，只有10個是有地震的，另外的999990個數據是沒有地震的.如果我們的分類模型預測對了這999990個沒有地震的數據，另外10個有地震的都預測錯了，那么按照正確率(Accuracy)的計算，得分仍然高達99.999%，這顯然是離譜的評估。

再例如：醫院的肺癌檢查數據，10萬個測試數據樣本中，只有100個是有癌癥的；信用卡交易數據中，1億個測試數據樣本，只有1萬個是欺詐交易；像預測地震、癌癥、欺詐交易寫等等這些例子可是我們機器學習領域經常遇到的狀況。

因此，正確率(Accuracy)雖然簡單直觀，但在很多時候并不是一個真正正確的評估指標。

總結

以上是生活随笔為你收集整理的分类模型的评估方法-正确率(Accuracy)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。