写一段多分类模型评估代码

以下是一个多分类模型的评估代码，使用了多个指标进行评估：

from sklearn.metrics import confusion_matrix, accuracy_score, precision_score, recall_score, f1_score

# 预测结果
y_pred = model.predict(X_test)

# 计算混淆矩阵
cm = confusion_matrix(y_test, y_pred)

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

# 计算精确率
precision = precision_score(y_test, y_pred, average='macro')

# 计算召回率
recall = recall_score(y_test, y_pred, average='macro')

# 计算F1值
f1 = f1_score(y_test, y_pred, average='macro')

# 打印结果
print("Confusion Matrix:\n", cm)
print("Accuracy:", accuracy)
print("Precision:", precision)
print("Recall:", recall)
print("F1 Score:", f1)

其中，`y_test`是测试数据的真实标签，`y_pred`是模型对测试数据的预测结果。`confusion_matrix`函数可以计算混淆矩阵，`accuracy_score`函数可以计算准确率，`precision_score`函数可以计算精确率，`recall_score`函数可以计算召回率，`f1_score`函数可以计算F1值。在计算精确率、召回率和F1值时，使用了`average='macro'`参数，表示使用宏平均进行计算。