precision recall 代码

当涉及到计算 precision 和 recall 的代码时，通常涉及到一个分类模型的预测结果和真实标签之间的比较。以下是一个示例代码，展示了如何计算 precision 和 recall：

# 导入必要的库
import numpy as np

# 随机生成一个二分类模型的预测结果和真实标签
predictions = np.random.randint(2, size=100)  # 预测结果，0或1的数组
labels = np.random.randint(2, size=100)  # 真实标签，0或1的数组

# 计算 true positives (TP)，即正确预测为正类的数量
tp = np.sum(np.logical_and(predictions == 1, labels == 1))

# 计算 false positives (FP)，即错误预测为正类的数量
fp = np.sum(np.logical_and(predictions == 1, labels == 0))

# 计算 false negatives (FN)，即错误预测为负类的数量
fn = np.sum(np.logical_and(predictions == 0, labels == 1))

# 计算 precision 和 recall
precision = tp / (tp + fp)
recall = tp / (tp + fn)

# 打印结果
print("Precision:", precision)
print("Recall:", recall)

在这个示例中，我们假设预测结果和真实标签都是由0和1组成的数组。首先，我们计算 true positives (TP)、false positives (FP) 和 false negatives (FN) 的数量。然后，利用这些数量计算 precision 和 recall 的值。最后，打印出计算得到的结果。

请注意，这只是一个简单的示例代码，实际应用中可能需要考虑更复杂的情况，例如多分类问题或使用其他评估指标。