单元二
第6课 正确率 accuracy_score 与混淆直觉
一、任务目标
在测试集上算正确率，并理解「猜错」意味着什么。
二、核心概念讲清楚
accuracy_score(真实y, 预测y) 给出正确率，介于 0～1（或百分比）。它简单直观，但不总适合极不平衡的数据。
- 先 predict 得到 y_pred
- 再与 y_true 比较算正确率
- 正确率高不代表永远最好，还要结合任务看
1得到预测model.predict(X_test)
2准备真实标签y_test
3调用 accuracy_score对比两者
4解读分数0.9 表示大约 90% 正确
三、跟着想一遍（小例子）
若 10 个测试样本对了 9 个，accuracy≈0.9。
易错：拿训练集自己预测自己，把「背下来」当成实力。
正确：在测试集上算 accuracy。
想一想：若 100 人里只有 1 人感冒，模型全猜「没病」正确率也很高——这说明什么？
四、解题思路
任务：在测试集上算正确率，并理解「猜错」意味着什么。 先想清楚：输入是什么、处理后得到什么、屏幕上应出现什么。
本课主要用到：屏幕输出。
- 1明确任务「在测试集上算正确率，并理解「猜错」意味着什么。」：运行后你希望看到什么结果（文字、图形或计算结果）。
- 2用 print 把结果说出来，确认屏幕上出现预期内容。
- 3对照参考代码跑通后，只改一个参数，观察结果如何变化。
流程示意（可对照左侧文字）
五、语句功能讲解
本课用到的 Mixly 图形块均已在前面的课讲过。请直接对照编程练习搭积木；若有遗忘，回到该积木首次出现的课页复习。
六、知识点讲解
过拟合是模型把训练集记得太死，换新数据就差。要用没见过的数据检查；好模型是「会举一反三」，不是「只会背题」。
先弄清本课输入与输出，再进编程练习对照现象。
七、编程练习
先理解上面的例子，再在下方 Mixly 运行与检查（含 scikit-learn）。
应看到接近 1 的正确率。
参考代码（对照抄写到下方 Mixly）
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.3, random_state=0
)
clf = KNeighborsClassifier(n_neighbors=3)
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
acc = accuracy_score(y_test, y_pred)
print("正确率:", round(acc, 3))
print("测试条数:", len(y_test))
正在载入编程环境
正在载入 Mixly 文本编程环境…
八、课堂练习
先完成两道正误判断，再做其余题目；选出后点「检查」。
判断：只抄参考代码，不看运行输出，也不改参数验证。
判断：先跑通，再对照「accuracy_score」改一处输入/参数，确认输出按预期变化；答错小测时读讲解。
accuracy_score 比较的是？
为什么更看重测试集正确率？
九、本节小结
正确率 = 对的比例；评估请用测试集。