编写分类性能度量的函数 my_metrics(y,y_predict), 要求（不使用 sklearn）返回准确度、精确率、召回率和 F1 score

我们可以编写一个名为`my_metrics`的函数，用于计算分类任务的常用性能指标：准确度、精确率、召回率和F1分数。这里我们假设输入的是真实的标签数组`y`和预测的标签数组`y_predict`，并且它们都是一维整数数组。

def my_metrics(y, y_predict):
    """
    计算分类任务的性能指标（不使用sklearn）
    
    参数:
    y (array): 真实的标签数组
    y_predict (array): 预测的标签数组

    返回:
    accuracy (float): 准确度
    precision (float): 精确率
    recall (float): 召回率
    f1_score (float): F1分数

    示例:
    y_true = [0, 1, 0, 1, 1]
    y_pred = [0, 0, 0, 1, 1]
    metrics = my_metrics(y_true, y_pred)
    """
    TP = TN = FP = FN = 0  # True Positive, True Negative, False Positive, False Negative

    for i in range(len(y)):
        if y[i] == y_predict[i]:
            if y[i] == 1:  # 正例
                TP += 1
            else:  # 负例
                TN += 1
        else:
            if y[i] == 1:  # 实际正例被误判为负例
                FN += 1
            else:  # 实际负例被误判为正例
                FP += 1

    # 计算指标
    accuracy = (TP + TN) / len(y)
    precision = TP / (TP + FP) if TP + FP != 0 else 0
    recall = TP / (TP + FN) if TP + FN != 0 else 0
    f1_score = (2 * precision * recall) / (precision + recall) if precision + recall != 0 else 0

    return accuracy, precision, recall, f1_score

# 示例
y_true = [0, 1, 0, 1, 1]
y_pred = [0, 0, 0, 1, 1]
metrics = my_metrics(y_true, y_pred)

在这个函数中，我们遍历每个样本，根据真实标签和预测标签更新计数值。然后，利用这些计数计算各个性能指标。