Scikit-learn的accuracy_score计算总体准确率还是平均准确率？

问题场景 #

针对3类癌症样本进行病情预测时，自定义计算得到了每类的灵敏度、特异性和准确率数组，而使用Scikit-learn的accuracy_score得到的总体准确率与自定义结果的均值差异明显，需明确二者区别。

自定义ACC的计算逻辑 #

自定义代码中得到的ACC是类别级准确率，针对每个类别单独计算：

ACC = (TP+TN)/(TP+FP+FN+TN)

其中：

• TP：当前类别被正确预测为该类的样本数
• TN：所有非当前类别样本中，被正确预测为非当前类的样本数
• 分母为总样本数
  这个指标反映的是模型对单个类别样本+其他所有类别样本的综合分类正确性，每个类别对应一个准确率值。

sklearn accuracy_score的计算逻辑 #

accuracy_score给出的是总体准确率，计算的是整个数据集上所有被正确分类的样本占比：

accuracy = accuracy_score(y_test,pred_y)

本质是混淆矩阵中所有对角线元素（所有类别的TP之和）除以总样本数，公式为：

总体准确率 = (所有类别的TP之和) / 总样本数

它反映的是模型在全局范围内的整体分类表现。

二者差异的核心原因 #

1. 计算维度不同：类别级准确率是针对单个类别计算，每个结果对应一类的分类表现；总体准确率是全局统计，反映所有样本的整体正确比例。
2. 样本权重影响：当数据集存在类别不平衡时，差异会被放大。比如某类样本占比极高，总体准确率会偏向该类的分类表现，而类别级准确率的均值可能受样本量少的类别影响，导致二者差距显著（极端情况下可达20%）。

验证方式 #

若将自定义的类别级ACC按各类样本数量加权平均，结果会与accuracy_score的输出一致：
假设三类样本数量分别为n1、n2、n3，则：

加权平均准确率 = (ACC[0]*n1 + ACC[1]*n2 + ACC[2]*n3) / (n1+n2+n3)

内容的提问来源于stack exchange，提问作者Looser