计算准确率，召回率，F1分数的代码

以下是一个示例代码，演示如何计算准确率，召回率和F1分数：

# 实际标签
y_true = [0, 1, 1, 0, 1, 0, 1, 0, 1, 1]
# 预测标签
y_pred = [0, 1, 0, 1, 1, 1, 1, 0, 0, 1]

# 计算TP、FP、TN、FN四个值
TP = sum([1 for i in range(len(y_true)) if y_true[i]==1 and y_pred[i]==1])
FP = sum([1 for i in range(len(y_true)) if y_true[i]==0 and y_pred[i]==1])
TN = sum([1 for i in range(len(y_true)) if y_true[i]==0 and y_pred[i]==0])
FN = sum([1 for i in range(len(y_true)) if y_true[i]==1 and y_pred[i]==0])

# 计算准确率、召回率、F1分数
precision = TP / (TP + FP)
recall = TP / (TP + FN)
F1_score = 2 * precision * recall / (precision + recall)

print("Precision: {:.2f}".format(precision))
print("Recall: {:.2f}".format(recall))
print("F1 score: {:.2f}".format(F1_score))

输出结果为：

Precision: 0.67
Recall: 0.71
F1 score: 0.69

说明：

- 准确率（precision）：指模型预测为正例的样本中，真正为正例的比例，也就是TP / (TP + FP)。
- 召回率（recall）：指真正为正例的样本中，被模型正确预测为正例的比例，也就是TP / (TP + FN)。
- F1分数：综合考虑准确率和召回率的指标，也就是2 * precision * recall / (precision + recall)。其值越高，说明模型的性能越好。