准确率：一个简单的起始指标

在理解了分类模型如何进行预测之后，最自然的问题是：“模型预测正确的频率是多少？” 这直接引出了准确率，它可能是评估分类性能最直观的指标。

什么是准确率？

准确率衡量模型的整体正确性。它告诉我们模型正确分类的预测数量占总预测数量的比例。可以将其视为模型的命中率。如果模型的准确率为0.9，则表示它正确预测了90%所见样本的类别标签。

计算准确率

准确率的计算简单直接。您只需统计模型正确预测的数量，然后将其除以模型做出的总预测数量。

公式为：

$$\text{准确率} = \frac{\text{正确预测数量}}{\text{总预测数量}}$$

当预测类别标签与给定数据点的实际类别标签一致时，即发生“正确预测”。“总预测数量”通常是指测试集（您用于评估模型的数据）中的数据点总数。

一个简单的例子

设想我们有一个简单的分类模型，旨在预测邮件是“垃圾邮件”还是“非垃圾邮件”。我们用10封模型未曾见过的邮件测试该模型。结果如下：

实际标签	预测标签	正确？
垃圾邮件	垃圾邮件	是
非垃圾邮件	非垃圾邮件	是
垃圾邮件	垃圾邮件	是
垃圾邮件	非垃圾邮件	否
非垃圾邮件	非垃圾邮件	是
垃圾邮件	垃圾邮件	是
非垃圾邮件	垃圾邮件	否
非垃圾邮件	非垃圾邮件	是
垃圾邮件	垃圾邮件	是
垃圾邮件	垃圾邮件	是

我们来统计一下：

• 总预测数量： 我们评估了10封邮件。
• 正确预测数量： 查看“正确？”列，我们数到8个“是”的条目。

现在，我们应用该公式：

$$\text{准确率} = \frac{8}{10} = 0.8$$

因此，我们的邮件垃圾邮件过滤模型在此测试集上的准确率为0.8，即80%。这意味着模型正确分类了10封邮件中的8封。

我们可以将这种简单的计数可视化：

邮件垃圾邮件示例中正确和错误预测的计数。

解释准确率

准确率分数范围从0（意味着模型所有预测都错误）到1（意味着模型所有预测都正确）。较高的准确率通常表示模型性能更好。它能快速、整体地概括模型表现。

由于易于理解和计算，准确率常常是人们首先关注的指标。然而，尽管有用，准确率不总能提供模型性能的全貌。在下一节中，我们将研究仅凭准确率可能产生误导的情况。