1. 基础说明

先聊个基础概念：accuracy_score 是 scikit-learn 里专门用来衡量分类任务准确率的指标。它的公式很简单：

用法上，直接传入真实标签和预测标签就行：

from sklearn.metrics import accuracy_score
accuracy_score(y_true, y_pred)
# y_true：真实标签
# y_pred：模型预测标签

注意，这个函数只适用于分类任务，回归任务碰都别碰。

2. 重点避坑（你现在在做回归！）

你前面写的线性回归、Ridge、Lasso 都属于

回归任务该用哪些指标？看这里：

• mean_squared_error（MSE）—— 均方误差
• mean_absolute_error（MAE）—— 平均绝对误差
• r2_score（R²）—— 决定系数

把这几个记牢，别再用错。

3. 简单例子（分类场景正确示范）

来一个分类场景的示范，看看 accuracy_score 怎么用：

from sklearn.metrics import accuracy_score

# 真实类别
y_true = [0,1,1,0,1]
# 预测类别
y_pred = [0,1,0,0,1]

print(accuracy_score(y_true, y_pred))  # 输出 0.8

这里5个样本，预测对了4个，准确率就是0.8，很直观。

4. 配套区分速记

为了帮你快速区分，我整理了一张速查表：

5. 常见错误

很多新手直接把 accuracy_score 套到回归代码里，结果要么报错，要么算出一个毫无意义的数字。如果你现在运行：

accuracy_score(y, y_predict)

大概率直接报错！因为 y 是连续浮点数，不是离散类别标签。记住：分类用准确率，回归用误差和 R²，别混了。