求机器学习中预测结果准确值accuracy的python代码

以下是一个简单的示例代码，演示如何计算预测准确性（accuracy）：

from sklearn.metrics import accuracy_score

# 假设有真实标签和预测标签
y_true = [0, 1, 1, 0, 1, 0, 0, 1]
y_pred = [0, 1, 0, 0, 1, 1, 0, 1]

# 使用sklearn.metrics中的accuracy_score函数计算准确性
accuracy = accuracy_score(y_true, y_pred)

print("Accuracy:", accuracy)

输出结果应该为：

Accuracy: 0.75

这意味着模型的预测准确率为75%。

相关问题

求机器学习中预测结果准确值accuracy的python代码，要求不用sklearn库

以下是一个简单的Python代码，用于计算预测结果准确度（accuracy），不使用sklearn库：

def accuracy_score(y_true, y_pred):
    """
    计算预测结果准确度
    :param y_true: 实际标签列表
    :param y_pred: 预测标签列表
    :return: 预测结果准确度
    """
    correct = 0
    for i in range(len(y_true)):
        if y_true[i] == y_pred[i]:
            correct += 1
    accuracy = correct / len(y_true)
    return accuracy

使用方法：

y_true = [0, 1, 1, 0, 1, 0, 0, 1]
y_pred = [0, 1, 1, 1, 0, 1, 0, 1]
accuracy = accuracy_score(y_true, y_pred)
print("Accuracy:", accuracy)

输出结果：

Accuracy: 0.625

使用机器学习进行天气预测的python代码

以下是一个简单的使用机器学习进行天气预测的Python代码，使用了决策树模型：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn import metrics

# 读取数据集
weather = pd.read_csv("weather.csv")

# 特征选择
X = weather[['Outlook', 'Temperature', 'Humidity', 'Wind']]
y = weather['Play']

# 将分类变量转换为数值变量
X = pd.get_dummies(X)

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 创建决策树分类器对象
clf = DecisionTreeClassifier()

# 训练决策树模型
clf = clf.fit(X_train,y_train)

# 预测测试集结果
y_pred = clf.predict(X_test)

# 模型评估
print("Accuracy:",metrics.accuracy_score(y_test, y_pred))

其中，数据集`weather.csv`包含了天气和是否可以进行户外活动的标签。我们先进行特征选择，然后将分类变量进行数值化处理。接着，我们将数据集划分为训练集和测试集，使用决策树模型进行训练和预测，并计算模型的准确率。