Como funciona o cálculo da acurácia? | Machine Learning: classificação com SKLearn

Esta linha de código calcula o número de features acertadas pelo modelo no teste:

(previsoes == y_test).sum()

Esta linha de código nos da o número de exemplos que eu forneci para o treino:

total = len(x_test)

Logo em seguida calculamos a taxa de acerto através da divisão do número de features acertadas pelo número de exemplos que fornecemos, ou melhor, pelo tanto de itens em x_test:

corretos = (previsoes == y_test).sum()
total = len(x_test)
taxa_de_acerto1 = corretos/total
print("Taxa de acerto1: %.2f" % (taxa_de_acerto1 * 100))

Não entendi como funciona essa comparação. O certo não deveria ser comparar o número de features acertadas com o número de features total?

Olá Murilo, tudo bem?

Na verdade, ao fazermos (previsoes == y_test) está verificando se as previsões feitas pelo modelo são iguais às classes reais. Ou seja, estamos comparando as previsões com as classes reais. O código cria criando um array de valores booleanos (True ou False), onde cada True indica que a previsão do modelo foi correta para aquele exemplo específico. Ao somar esse array com .sum(), estamos contando quantos valores True existem, ou seja, as previsões foram corretas.

No código:

corretos = (previsoes == y_test).sum()
total = len(x_test)
taxa_de_acerto1 = corretos/total
print("Taxa de acerto1: %.2f" % (taxa_de_acerto1 * 100))

Estamos dividindo o número de previsões corretas pelo número total de exemplos em x_test, que é o conjunto de dados usado para testar o modelo. Isso lhe dá a proporção de acertos, que é a acurácia do modelo. Portanto, não é necessário comparar com o número total de features, mas sim com o número total de exemplos testados, pois você quer saber em quantos casos o modelo acertou a classificação, independentemente de quantas features cada exemplo possui.

Espero ter ajudado.

Qualquer dúvida, compartilhe no fórum.

Abraços e bons estudos!

Caso este post tenha lhe ajudado, por favor, marcar como solucionado ✓. Bons Estudos!