每天五分钟机器学习：分类算法评价指标之准确率

本文重点

从本文开始我们将学习准确率这个评价指标，准确率是所有评价指标中最简单的评价指标了。比如我们上学的时候，我们做选择题，一共10道，我们做对了7道，那么我们可以认为准确率为70%。

准确率的定义

准确率是指分类正确的样本占总样本个数的比例，用公式表示就是：

准确率的优点

直观易懂：准确率作为比例值，其大小直接反映了模型预测的正确程度，易于理解和解释。

计算简便：准确率的计算仅涉及简单的加法和除法运算，计算过程简便快捷。

广泛应用：在分类问题中，准确率是最常用的评估指标之一，尤其适用于类别分布相对均衡的数据集。

准确率的缺点

对类别不平衡敏感：当数据集中各类别的样本数量极不均衡时，准确率可能无法真实反映模型的性能。比如现在有一个数据集中有100个样本，其中99个样本类别为1，而1个严格不能类别为0，那么我们直接构建一个分类器，这个分类器可以将所有样本都预测为类别为1，那么此时分类器的准确率就是99%，这个准确率够高了，但是此时的分类器却是死的，因为它对任何样本的结果都预测类别为1。

忽略具体类别的表现：准确率只关注整体预测正确的比例，而不考虑模型在各个类别上的具体表现。在某些情况下，我们可能更关心模型在特定类别上的预测能力。

不适用于多标签分类：在多标签分类问题中，一个样本可能同时属于多个类别，此时准确率无法直接应用。