我想知道sklearn中是否有一个函数对应于准确性（实际数据和预测数据之间的差异）以及如何打印出来？
from sklearn import datasets
iris = datasets.load_iris()
from sklearn.naive_bayes import GaussianNB
naive_classifier= GaussianNB()
y =naive_classifier.fit(iris.data, iris.target).predict(iris.data)
pr=naive_classifier.predict(iris.data)
【问题讨论】：
标签： python scikit-learn naivebayes
scikit 中的大多数分类器都有一个内置的score() 函数，您可以在其中输入您的 X_test 和 y_test，它会为该估计器输出适当的指标。对于分类估计器，它主要是'mean accuracy'。
sklearn.metrics 也有许多可用的函数，它们将输出不同的指标，如 accuracy、precision、recall 等。
对于您的具体问题，您需要accuracy_score
from sklearn.metrics import accuracy_score
score = accuracy_score(iris.target, pr)
【讨论】：
您可以使用accuracy_score，查找文档here。
这样实现 -
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(prediction, labels_test)
这将返回一个浮点值。浮点值描述（正确分类的点数）/（测试集中的总点数）
【讨论】：
您必须从sklearn.metrics 导入accuracy_score。应该是这样的，
from sklearn.metrics import accuracy_score
print accuracy_score(predictions,test set of labels)
准确度公式为：
正确分类的点数/测试集中的所有点
【讨论】：
首先您需要从 sklearn 导入指标，在指标中您需要导入 accuracy_score
然后就可以得到准确率分数了
accuracy_score 公式是
accuracy_score=correct_predictions/No of Predictions
from sklearn.metrics import accuracy_scoreaccuracy_score(y_actual,y_predicted)
附言。它非常适合分类技术
【讨论】：
您可以直接在GaussianNB 中使用score() 函数。这样就不需要先预测标签再计算准确率。
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
gnb = gnb.fit(train_data, train_labels)
score = gnb.score(test_data, test_labels)
【讨论】：
您始终可以使用 sklearn 的指标来获取模型的准确性，您可以使用 accuracy_score(test_data,predictions) 来获取模型值和实际值之间的差异，除此之外，您可以检查模型 metrics.mean_absolute_error(y_test,predictions) 中的错误率以获取平均绝对误差, metrics.mean_squared_error(y_test, predictions) 均方误差。等等
【讨论】：
分类问题使用“metrics.accuracy_score”，回归使用“metrics.r2_score”。
【讨论】：