使用sklearn的accuracy_score计算准确率时，2d array与1d array的结果不同

背景

今天在做多标签分类任务时，使用了accuracy_score计算预测准确率，然而却出现了训练集的准确率不断上升，验证集的准确率始终保持在很低的情况，因此对这种现象进行了分析

数据分布？

一开始我认为时训练集和验证集之间的数据分布不同，但是在多次改变train_test_split的random_seed,调整test_size大小，改变验证集等方法后，结果仍然很低，因此排除了这种可能

归一化？

数据中存在负值，而模型采用relu激活函数，忽略了负值的影响，因此我使用sklearn的StandardScaler进行了归一化，结果仍然很低，排除了归一化的影响

变量名？

我甚至一度怀疑是变量名的问题，在对验证集进行测试的时候，重用了训练集的变量名，结果仍然很低，排除这种影响

最终找到accuracy_score

在使用accuracy_score之前，我着实没有想到输入的y_true和y_pred竟然是1维向量，这下子就可以明白了，1维的时候比较的是每个值是否一样，而输入是2维的时候，比较的是每个一维向量是否完全相等，而不是对每个值进行比较，这就导致了训练时准确率不断上升，而验证集始终停留在较低值的位置。训练集在训练时可以完全拟合到正确值，而验证集总会存在一两个错误，导致整个样本的标签预测错误。由于本次任务是多标签分类任务，一个样本存在多个标签，因此即使只正确1个标签，准确率也并非0。

总结

在使用sklearn的一些方法时，应该看清楚输入的维度，想要方便，使用矩阵计算，最终因为使用错误，浪费了一个上午