Accuracy Score: A Comprehensive Guide to Measuring Data Precision and Reliability

Accuracy Score (Оценка точности) - это метрика, используемая для измерения производительности алгоритма классификации. Она представляет собой отношение количества правильно классифицированных образцов ко всем образцам в выборке.

Формула Accuracy = (TP + TN) / (TP + TN + FP + FN)

Где TP (True Positives) - правильно определенные положительные результаты, TN (True Negatives) - правильно определенные отрицательные результаты, FP (False Positives) - неправильно определенные положительные результаты и FN (False Negatives) - неправильно определенные отрицательные результаты.

Например, предположим, что у нас есть выборка из 100 образцов. Алгоритм классифицирует 80 из них правильно. Тогда точность (Accuracy) алгоритма будет (80 + 0) / (80 + 20 + 0 + 0) = 0.8.

Пример кода:

Импортируем из библиотеки sklearn.metrics функцию accuracy_score:

`from sklearn.metrics import accuracy_score`

Задаем истинные значения тестовых данных:

`true_labels = [0, 1, 0, 1, 0, 1, 1, 1]`

Определяем предсказанные значения:

`predicted_labels = [0, 1, 1, 1, 0, 0, 1, 1]`

Вычисляем точность алгоритма:

`accuracy = accuracy_score(true_labels, predicted_labels)`

Выведем полученную точность:

`print('Accuracy:', accuracy)`

Результат:

`Accuracy: 0.75`

Таким образом, точность нашего алгоритма составляет 0.75, что означает, что он правильно классифицировал 75% образцов нашей выборки.