预测类别是输出向量中概率最高的类别（在您的情况下为 B 类），并且准确性是正确的预测百分比，除非我错过了您的观点。

您提到的问题是多类分类的代表，它是使用中性网络中的 Softmax 输出层解决的。请注意，Softmax 使用交叉熵作为损失函数。

我觉得计算输出的交叉熵可能没有意义。

如果我理解您的问题，在上面的示例中，您有三个类，它们是单热编码的。例如，

actual = [0 1 0]
pred = [0.1 0.8 0.1]

要在这种情况下找到准确性，您要做的是获取 actual_labels 和 pred_labels 中具有最大值的元素的索引：

act_label = numpy.argmax(actual) # act_label = 1 (index)
pred_label = numpy.argmax(pred) # pred_label = 1 (index)

对数据中的每个实例执行此操作，并在这些索引匹配时增加 number_of_correct_predictions

correct = 0
total = 0
for i in range(len(data)):
    act_label = numpy.argmax(actual[i]) # act_label = 1 (index)
    pred_label = numpy.argmax(pred[i]) # pred_label = 1 (index)
    if(act_label == pred_label):
        correct += 1
    total += 1
accuracy = (correct/total)

尽管这是完成工作的一种非常基本的方法，但确实存在这种方法的更简化版本，只需几行代码。

如果您不介意为此使用库，可以在 sklearn 中使用：

from sklearn.metrics import accuracy_score

accuracy = accuracy_score(y_true=actual, y_pred=pred) # Also gives the accuracy for the two lists actual and pred