Python 使用（x==y）.mean（）估计精度-它是如何工作的？

请问这个函数如何计算精度

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()

---

可以数到任何数字，难道它不只是判断它是真是假吗？

真是一个标签数组
pred
是模型的一组预测。在理想情况下，
真值
必须等于
pred
。然而，实际上，模型的预测会有误差。因此，准确度的概念用来衡量模型正确预测的数据点数量

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)

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

现在，
.mean（）
将计算
True
的数量，然后除以总大小，给出准确度：

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

这与：

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

以及

这是布尔数组中
True
vals的数目。
truth
是一个标签数组
pred
是模型的一组预测。在理想情况下，
真值
必须等于
pred
。然而，实际上，模型的预测会有误差。因此，准确度的概念用来衡量模型正确预测的数据点数量

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)

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

现在，
.mean（）
将计算
True
的数量，然后除以总大小，给出准确度：

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

这与：

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

以及

这是布尔数组中
True
vals的数目。
我假设
truth
和
pred
是NumPy数组或子类，对于NumPy函数
True
和
False
被解释为
1
或
0

因此，
mean
只是将
truth
等于
pred
的出现次数相加，然后除以元素数

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)

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

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

因此，
mean
只是将
truth
等于
pred
的出现次数相加，然后除以元素数

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)

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

不确定，但可能是将布尔值改为1和0的列表，然后得到这些值的平均值。看来
truth
和
pred
是两个numpy数组。如果是这种情况，
truth==pred
将创建一个新数组，其中
1
表示
truth
和
pred
中的对应值相等，反之亦然。然后，取所有这些的平均值，告诉你你的预测值/分类器有多准确，在平均数上，如果它有帮助的话，你可以。不确定，但可能是将布尔值改为1和0的列表，然后得到这些值的平均值。看起来
真值
和
预测值
是两个numpy数组。如果是这种情况，
truth==pred
将创建一个新数组，其中
1
表示
truth
和
pred
中的对应值相等，反之亦然。然后，取所有这些的平均值，告诉你你的预测/分类器有多准确，在平均数上，如果有帮助的话，你可以。