Scikit-Learn中accuracy_score与model.score的差异及哪个更实用？

为什么你测试时结果一致？ #

大部分分类模型（比如逻辑回归、随机森林分类器这些）的model.score(X_test, y_test)，内部其实就是先调用model.predict(X_test)得到预测值y_pred，再用accuracy_score(y_test, y_pred)计算准确率，所以结果完全一致是正常情况。

两者的具体差异 #

• 适用范围不一样
  • accuracy_score是通用的准确率计算函数，只要你有真实标签和预测结果——不管这个预测结果是哪个模型输出的，甚至是你手动算出来的——都能用来算准确率。
  • model.score是模型自带的方法，必须绑定当前模型使用，它会自动帮你完成“预测+算指标”的步骤，但只能用该模型默认的评估指标。
• 灵活性有区别
  • accuracy_score可以玩出更多花样：比如设置normalize=False，直接得到正确分类的样本数量，而不是比例；还能通过sample_weight参数给不同样本加权，计算加权准确率。
  • model.score的逻辑是固定死的，而且不同模型的score默认指标不一样：比如回归模型（像线性回归）的score返回的是R²分数，根本不是准确率；聚类模型的score指标更是和准确率没关系。
• 使用步骤不同
  • 用accuracy_score得先跑一遍model.predict(X_test)拿到y_pred，再把两个参数传进去计算。
  • 用model.score更省事，直接传测试集特征和真实标签，一步出结果。

哪个更实用？ #

• 如果是分类任务，且只需要默认的准确率，选哪个都行，model.score更简洁。
• 如果需要自定义计算逻辑（比如看具体对了多少样本、算加权准确率），或者你的预测结果不是当前模型生成的，那accuracy_score更灵活。
• 要是做回归、聚类这类非分类任务，别搞混：model.score返回的不是准确率，这时候得用对应任务的专门指标函数（比如回归用r2_score）。

内容的提问来源于stack exchange，提问作者Kutluk Atalay