sklearn计算准确率、精确率、召回率、F1 score实例

下面是一个使用sklearn计算准确率、精确率、召回率、F1 score的实例：

假设我们有一个二分类问题，我们有一个模型预测结果和相应的真实标签，我们想要计算模型在测试集上的性能指标。

首先，我们需要导入sklearn库和生成一些模拟数据：

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
import numpy as np

# 生成模拟数据
y_true = np.array([0, 1, 0, 1, 0, 1, 1, 0])
y_pred = np.array([0, 1, 1, 1, 0, 0, 1, 0])

接着，我们可以使用相应的sklearn函数计算准确率、精确率、召回率和F1 score：

# 计算准确率
acc = accuracy_score(y_true, y_pred)
print("Accuracy:", acc)

# 计算精确率
prec = precision_score(y_true, y_pred)
print("Precision:", prec)

# 计算召回率
rec = recall_score(y_true, y_pred)
print("Recall:", rec)

# 计算F1 score
f1 = f1_score(y_true, y_pred)
print("F1 score:", f1)

输出结果如下：

Accuracy: 0.75
Precision: 0.6666666666666666
Recall: 0.75
F1 score: 0.7058823529411765

这里，准确率为0.75，表示模型预测正确的样本占测试集样本总数的比例；精确率为0.67，表示模型预测为正例的样本中有67%的样本是真实的正例；召回率为0.75，表示模型能够正确地识别出75%的正例；F1 score为0.71，是精确率和召回率的调和平均数。