推荐算法评价指标 代码

一些常见的算法评价指标包括：

1. 准确率（Accuracy）：分类正确的样本占总样本的比例。

2. 精确率（Precision）：分类为正样本中真正为正样本的比例。

3. 召回率（Recall）：正样本中被分类为正样本的比例。

4. F1分数（F1-score）：精确率和召回率的加权调和平均数。

5. ROC曲线和AUC值（ROC curve and AUC value）：ROC曲线反映了分类器在不同阈值下的性能表现，AUC值表示ROC曲线下的面积。

6. 混淆矩阵（Confusion matrix）：展示分类器性能表现的矩阵。

7. 平均准确率（Average Precision）：用于评价在不同召回率下的分类器表现。

以下是 Python 代码实现这些指标：

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_curve, auc, confusion_matrix, average_precision_score

# 计算准确率
accuracy = accuracy_score(y_true, y_pred)

# 计算精确率
precision = precision_score(y_true, y_pred, average='binary')

# 计算召回率
recall = recall_score(y_true, y_pred, average='binary')

# 计算F1分数
f1 = f1_score(y_true, y_pred, average='binary')

# 计算ROC曲线和AUC值
fpr, tpr, thresholds = roc_curve(y_true, y_pred)
roc_auc = auc(fpr, tpr)

# 计算混淆矩阵
conf_matrix = confusion_matrix(y_true, y_pred)

# 计算平均准确率
ap = average_precision_score(y_true, y_pred)

其中，`y_true`为真实标签，`y_pred`为预测标签。在计算精确率、召回率、F1分数时，`average='binary'`表示只考虑二分类问题。如果是多分类问题，可以设置`average='macro'`或`average='weighted'`。