Função “accuracy_score”
A função accuracy_score faz parte do módulo sklearn.metrics da biblioteca Scikit-learn. Essa função é usada para calcular a acurácia, ou seja, a porcentagem de previsões corretas, de um modelo de classificação, que é uma métrica comum para avaliar o desempenho de algoritmos de aprendizado de máquina em problemas de classificação.
Sintaxe
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_true, y_pred)Parâmetros:
-
y_true: Array de formato (n_samples,) ou lista que contém as verdadeiras classes alvo (dados para teste) das amostras. -
y_pred: Array de formato (n_samples,) ou lista que contém as previsões de classe feitas pelo modelo para as amostras.
Retorno:
accuracy: Um número entre 0 e 1, representando a acurácia do modelo. Quanto maior o valor, melhor o desempenho do modelo em fazer previsões corretas.
Exemplo
from sklearn.metrics import accuracy_score
# Dados verdadeiros (ground truth)
y_true = [0, 1, 0, 1, 0, 1]
# Previsões do modelo
y_pred = [0, 1, 0, 1, 1, 1]
# Calculando a acurácia do modelo
accuracy = accuracy_score(y_true, y_pred)
print("Acurácia:", accuracy)Saída:
Acurácia: 0.8333333333333334
Neste exemplo, temos um conjunto de dados de verdadeiras classes alvo y_true e as previsões do modelo y_pred. Usando a função accuracy_score, calculamos a acurácia do modelo, que nos diz que o modelo acertou corretamente cerca de 83,33% das previsões feitas.
Conclusão
A função accuracy_score é uma ferramenta útil para avaliar o desempenho de modelos de classificação. Ela fornece uma medida simples e intuitiva da precisão das previsões, o que ajuda a determinar quão bem o modelo está se saindo em relação aos dados verdadeiros. No entanto, é importante considerar outras métricas, especialmente quando há classes desbalanceadas ou quando erros de diferentes tipos têm custos diferentes.