多分类标签场景下，如何用Sklearn计算SVM模型准确率？

嗨，别担心，多分类场景下计算准确率其实不用换特殊函数，sklearn里的accuracy_score完全能搞定！

你之前的二分类代码思路是对的，只是需要补充完整预测步骤，再调用准确率计算函数就行。而且SVC默认就支持多分类（采用one-vs-one策略），不需要额外设置参数（当然你也可以通过decision_function_shape改成one-vs-rest）。

给你补全完整的代码示例：

# 先导入所有需要的模块
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# 训练线性SVM分类器（多分类场景下直接用就行）
svm_model_linear = SVC(kernel='linear', C=1).fit(X_train, y_train)

# 生成测试集预测结果
svm_predictions = svm_model_linear.predict(X_test)

# 计算多分类准确率
accuracy = accuracy_score(y_test, svm_predictions)
print(f"多分类模型准确率: {accuracy:.4f}")

如果你还想更全面评估模型（比如看每个类别的精确率、召回率），可以用classification_report，它也完美支持多分类：

from sklearn.metrics import classification_report
print(classification_report(y_test, svm_predictions))

简单说一下原理：accuracy_score在多分类里的计算逻辑和二分类一致——正确预测的样本数 / 总样本数，完全适配你的需求。

内容的提问来源于stack exchange，提问作者april