python lightgbm 读取自己的CSV，并生成预测结果，得到测试结果

生成预测结果后，可以使用各种评估指标来评估模型的性能。以下是一个示例代码，用于计算分类问题中的准确率、精确率、召回率和 F1 值：

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

# 生成预测结果
predictions = model.predict(X)

# 将概率转换为类别标签
y_pred = [1 if p > 0.5 else 0 for p in predictions]

# 计算评估指标
accuracy = accuracy_score(y, y_pred)
precision = precision_score(y, y_pred)
recall = recall_score(y, y_pred)
f1 = f1_score(y, y_pred)

# 打印结果
print('Accuracy:', accuracy)
print('Precision:', precision)
print('Recall:', recall)
print('F1 score:', f1)

在这个示例中，我们首先将概率转换为二元分类标签。然后，我们使用 Scikit-learn 库中的 `accuracy_score`、`precision_score`、`recall_score` 和 `f1_score` 函数计算四个评估指标。最后，我们打印结果。请注意，这只是一个示例，实际应用中可能需要使用其他评估指标，具体取决于问题的性质。