使用（x == y）.mean（）估算精度-如何工作？

Question

请问该功能如何计算精度？

def accuracy_score(truth, pred):
    if len(truth) == len(pred): 
        return "Predictions have an accuracy of {:.2f}%.".format((truth == pred).mean()*100)
    else:
        return "Number of predictions does not match number of outcomes!"

# Test the 'accuracy_score' function predictions = pd.Series(np.ones(5, dtype = int)) print accuracy_score(outcomes[:5], predictions)

---

我不知道为什么

(truth == pred).mean()

可以数任何数字，不是仅仅判断它是对还是错？

Answer 1

truth是一组标签。 pred是模型进行的一系列预测。 在理想的情况下， truth必须等于pred 。 但是，实际上，模型的预测中会有误差。 因此，测量模型正确预测的数据点的准确性的概念。

假设这些是numpy数组，

truth == pred

返回True和False的布尔数组。 例如：

In [668]: x = np.array([1, 1, 2, 1])

In [669]: y = np.array([1, 2, 1, 1])

In [670]: x == y
Out[670]: array([ True, False, False,  True], dtype=bool)

现在， .mean()将计算True的数量并除以总大小，从而得出精度：

In [671]: (x == y).mean()
Out[671]: 0.5

与以下内容相同：

In [672]: (x == y).sum() / len(x == y)
Out[672]: 0.5

和，

In [673]: (x == y).sum()
Out[673]: 2

布尔数组中True值的数量。

Answer 2

我假设truth和pred是NumPy数组或子类-对于NumPy函数， True和False解释为1或0 。

因此， mean仅将truth值等于pred的出现次数相加，然后将其除以元素数。

例如：

>>> import numpy as np
>>> arr = np.array([True, False, True])
>>> arr.sum()
2
>>> arr.mean()
0.66666666666666663