### 使用Python计算并打印分类模型性能指标 为了全面评估分类模型的表现，通常会使用多个评价指标来衡量其性能。这些指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）以及F1分数（F1 Score）。下面展示如何利用`sklearn.metrics`库中的函数实现上述四个指标的计算。 #### 导入必要的包 ```python from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, confusion_matrix import numpy as np ``` #### 构建示例数据集 假设有一个简单的二元分类问题的数据集： ```python y_true = np.array([0, 1, 0, 1, 0, 1]) # 实际标签 y_pred = np.array([0, 1, 1, 1, 0, 0]) # 预测结果 ``` #### 计算各个性能指标 - **准确率 Accuracy** 表达式为 \( \frac{{TN + TP}}{{TN + TP + FN + FP}} \)，代表所有预测中正确的比例[^1]。 ```python acc = accuracy_score(y_true, y_pred) ``` - **精确率 Precision** 定义为 \( \frac{{TP}}{{TP + FP}} \)，反映了被预测为正类别的样本中有多少确实属于正类别[^4]。 ```python pre = precision_score(y_true, y_pred, average='binary') ``` - **召回率 Recall** 描述的是实际为正类别的样本中有多少被成功检测出来，表达式为\( \frac{{TP}}{{TP + FN}} \)[^3]。 ```python rec = recall_score(y_true, y_pred, average='binary') ``` - **F1分数 F1 Score** 是精确率和召回率之间的调和平均数，公式为\[ F1=\frac{2}{\left(\frac{1}{{{P}}}+\frac{1}{{{R}}}\right)}=2\times {{P}}\times {{R}}/\left({{P}}+{{R}}\right)\][^2]。 ```python f1 = f1_score(y_true, y_pred, average='binary') ``` #### 打印混淆矩阵及其解释 除了单独查看各项指标外，还可以通过绘制混淆矩阵更直观地理解模型表现： ```python cm = confusion_matrix(y_true, y_pred) print("Confusion Matrix:") print(cm) print("\nPerformance Metrics:") print(f'Accuracy: {acc:.4f}') print(f'Precision: {pre:.4f}') print(f'Recall: {rec:.4f}') print(f'F1-Score: {f1:.4f}') ``` 此代码片段不仅展示了如何获取不同类型的评分标准，还提供了关于模型整体性能的具体见解。