Độ chính xác là chỉ số đánh giá cho biết tỷ lệ phần trăm các trường hợp được dự đoán chính xác trên tổng số dự đoán do mô hình phân loại đưa ra.
Độ chính xác được coi là một trong những chỉ số đánh giá cơ bản nhất trong học máy, thể hiện tỷ lệ các trường hợp được dự đoán đúng trên tổng số trường hợp dự đoán trong các nhiệm vụ phân loại/dự đoán. Công thức tính toán rất đơn giản và được tính theo dạng (TP+TN)/(TP+TN+FP+FN) và được cho là được sử dụng rộng rãi như một chỉ số để nhanh chóng hiểu được hiệu suất của mô hình. Tuy nhiên, người ta nói rằng với dữ liệu không cân bằng giữa các lớp, người ta rất dễ đánh giá sai thực tế chỉ dựa trên tỷ lệ chính xác và có một cạm bẫy trong đó những đánh giá sai ở các lớp thiểu số có thể bị che giấu. Trong hoạt động thực tế kể từ năm 2026, tỷ lệ chính xác sẽ được sử dụng làm chỉ báo chính cho các nhiệm vụ phân loại và phán đoán (phát hiện thư rác, đánh giá nội dung, xác minh độ chính xác của đề xuất, v.v.) bởi AI tổng hợp, nhưng người ta nói rằng việc sử dụng kết hợp với tỷ lệ chính xác, tỷ lệ thu hồi và điểm F1 đã được thiết lập. Khi lựa chọn một mô hình trong lĩnh vực này, người ta cho rằng cần phải thay đổi mức độ ưu tiên của các chỉ số không chỉ dựa trên tỷ lệ chính xác mà còn dựa trên loại dương tính giả (sai hoặc dương tính giả), sẽ có tác động tiêu cực hơn đến doanh nghiệp. Việc chuẩn bị dữ liệu thử nghiệm được dán nhãn là điều cần thiết để đánh giá liên tục và người ta thường chấp nhận rằng ngay cả các nhóm nhỏ cũng nên cân nhắc chi phí đánh giá lại hàng tháng.