accuracy

توضیح

برای محاسبهٔ accuracy، تعداد پیش‌بینی‌های درست را بر تعداد کل پیش‌بینی‌ها تقسیم می‌کنیم؛ نتیجه عددی بین صفر و یک است که می‌توان آن را به درصد هم نوشت. در binary classification، هم تشخیص درست موارد مثبت و هم تشخیص درست موارد منفی در صورت کسر حساب می‌شوند. اگر تعداد نمونه‌های یک class خیلی بیشتر از دیگری باشد، این معیار می‌تواند گمراه‌کننده باشد: مدلی که همیشه class پرتعداد را انتخاب می‌کند، ممکن است accuracy بالایی بگیرد اما موارد کم‌تعداد را اصلاً تشخیص ندهد.

مثال

actual = [1, 0, 1, 0]
predicted = [1, 0, 0, 0]
correct = sum(a == p for a, p in zip(actual, predicted))
accuracy = correct / len(actual)
print(accuracy)  # 0.75

چرا مهمه

هنگام ارزیابی مدل روی test set با آن روبه‌رو می‌شوی. برای سنجش کلی درستی پیش‌بینی‌ها مفید است، اما وقتی توزیع class‌ها نامتوازن است، باید precision و recall را هم بررسی کنی.

مفهوم‌های مرتبط

• metrics
• test set
• overfitting