Keakuratan pengklasifikasi pada set tes yang diberikan adalah persentase tupel set tes yang: diklasifikasikan dengan benar oleh pengklasifikasi. Label kelas terkait dari setiap tupel uji dibandingkan dengan prediksi kelas pengklasifikasi yang dipelajari untuk tupel itu. Bagian 8.5 menjelaskan beberapa metode untuk memperkirakan akurasi classifier. Jika keakuratan pengklasifikasi dianggap dapat diterima, pengklasifikasi dapat digunakan untuk mengklasifikasikan tupel data masa depan yang label kelas tidak diketahui. (Data tersebut juga disebut dalam literatur pembelajaran mesin sebagai data "tidak diketahui" atau "sebelumnya tidak terlihat".) Misalnya, aturan klasifikasi dipelajari pada Gambar 8.1(a) dari analisis data dari aplikasi pinjaman sebelumnya dapat digunakan untuk menyetujui atau menolak pemohon pinjaman baru atau yang akan datang.
