要计算机器学习模型的准确率，可以按照以下步骤进行：

1. 首先，将数据集分为训练集和测试集。
2. 使用训练集来训练模型。
3. 使用测试集来预测模型的输出。
4. 将模型的预测结果与测试集的真实标签进行比较，计算准确率。

下面是一个示例代码，展示如何计算逻辑回归模型的准确率，而不使用sklearn库：

import numpy as np

# 定义逻辑回归模型
class LogisticRegression:
    def __init__(self, lr=0.01, num_iter=100000, fit_intercept=True):
        self.lr = lr
        self.num_iter = num_iter
        self.fit_intercept = fit_intercept
    
    def add_intercept(self, X):
        intercept = np.ones((X.shape[0], 1))
        return np.concatenate((intercept, X), axis=1)
    
    def sigmoid(self, z):
        return 1 / (1 + np.exp(-z))
    
    def loss(self, h, y):
        return (-y * np.log(h) - (1 - y) * np.log(1 - h)).mean()
    
    def fit(self, X, y):
        if self.fit_intercept:
            X = self.add_intercept(X)
        
        self.theta = np.zeros(X.shape[1])
        
        for i in range(self.num_iter):
            z = np.dot(X, self.theta)
            h = self.sigmoid(z)
            gradient = np.dot(X.T, (h - y)) / y.size
            self.theta -= self.lr * gradient
    
    def predict_prob(self, X):
        if self.fit_intercept:
            X = self.add_intercept(X)
        
        return self.sigmoid(np.dot(X, self.theta))
    
    def predict(self, X, threshold=0.5):
        return self.predict_prob(X) >= threshold


# 创建一个示例数据集
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
y = np.array([0, 0, 1, 1])

# 实例化逻辑回归模型
model = LogisticRegression()

# 使用训练集训练模型
model.fit(X, y)

# 使用测试集预测模型的输出
y_pred = model.predict(X)

# 计算准确率
accuracy = (y_pred == y).mean()
print("准确率：", accuracy)

在上述代码中，我们首先定义了一个LogisticRegression类来实现逻辑回归模型。然后，我们创建了一个示例数据集，并使用该数据集来训练模型。接下来，使用训练得到的模型对测试集进行预测，并计算准确率。最后，打印出准确率的值。

请注意，这只是一个简单的示例代码，仅用于说明如何计算模型的准确率。在实际应用中，可能需要进行更多的数据预处理、特征工程和模型评估等步骤。