当训练集和测试集中的类分布相同时（机器学习通常假设），可以使用您引用的公式。

采取 7 个类别：A、B、C、D、E、F、G。您的数据集中将有带有标签 A 的#A 实例。当然，#A + #B + #C + #D + #E + #F + #G = X

遇到带有标签A的实例的机会，即A类的概率，pA，等于#A/X。

现在，如果您考虑一个随机基线系统，该系统将根据这些概率为实例分配标签。因为标签是根据概率分配的，所以每次让系统为实例添加标签时，都会产生不同的结果。多数系统或基于 SVM 的系统将产生相同的结果，无论它们应用的频率如何。随着随机基线系统的无限次运行，平均而言，将发生以下情况：

给定一个带有金色标签 A 的实例，这个实例将被标记为 pA 乘以 A，pB 乘以 B，等等。这意味着我们有一个（分数）真阳性计数等于概率 pA。有 #A 个实例带有金色标签 A，标签 A 的总真阳性计数变为 #A*pA。这可以为每个标签完成。真阳性总数 TP 变为：

TP = #A*pA + #B*pB + #C*pC + #D*pD + #E*pE + #F*pF + #G*pG

而这个基线系统的平均准确率变成了 acc = TP/X

acc = 1/X * (#A*pA + #B*pB + #C*pC + #D*pD + #E*pE + #F*pF + #G*pG)

如果 X 分布在不同的项上，并使用概率的定义，则变为：

加速度 = pA*pA + pB*pB + pC*pC + pD*pD + pE*pE + pF*pF + pG*pG

这是您参考的公式。

如前所述，对于基于 SVM 的系统或多数系统，平均准确度等于单次运行的准确度。这意味着可以将单次运行的准确性与随机基线公式的结果进行比较。

如果您的机器学习器每次运行产生的结果略有不同（因为它包含随机元素），您应该计算无限次运行的平均准确度。但这是理想情况，可能无法计算。在实践中，差异可能非常小，大多数人坚持使用单次运行的结果进行比较。