「準確率」是用來評估分類模型的一項指標。非正式地，準確率是指模型中預測結果的正確比例。正式上來說，準確率定義如下：
$$\text{Accuracy} = \frac{\text{Number of correct predictions}}{\text{Total number of predictions}}$$
以二元分類來說，準確率也可以以正數和負數來計算，如下所示：
$$\text{Accuracy} = \frac{TP+TN}{TP+TN+FP+FN}$$
其中 TP = True Positives、TN = True 負值，FP = False 正面，以及 FN = 偽陰性。
讓我們為下列模型分類準確率為 100 的「惡意性」(正類) 或「benign」(負面類別) 的準確率：
真陽性 (TP)：
|
偽陽性 (FP)：
|
偽陰性 (FN)：
|
真陰性 (TN)：
|
$$\text{Accuracy} = \frac{TP+TN}{TP+TN+FP+FN} = \frac{1+90}{1+90+1+8} = 0.91$$
準確率達 0.91 或 91% (共有 110 個正確樣本，共 91 個)。這意味著我們的口腔分類器非常擅長找出不失真的問題，對吧？
事實上，讓我們進一步分析正數和負向，以深入瞭解模型的效能。
在這 100 份腫瘤示例中，有 91 份是良性 (90 TN 和 1 FP )，9 則是不惡意的 (1 TP 和 8 FN)。
在 91 個良性腫瘤中，模型將 90 正確識別為良性。太好了！但是，在 9 個卵巢的親友中，模型只會將 1 視為正確的題材，結果雖然讓人難以置信，因為 9 名孕婦中有 8 人未經診斷！
雖然 91% 的準確率在乍看之下可能還不錯，但另一個穩定分類模型換句話說，如果模型的預測性特徵沒有零量凸顯性，結果就特別重要。
單獨使用準確率時，當您使用類別不平衡資料集 (如這類資料集) 有正向和負面標籤的數量之間存在顯著差異時，不必說完整故事。
在下一節中，我們會查看兩個更完善的指標，用於評估類別的不平衡問題：精確度和喚回度。