机器学习输出模型AUC、准确度、精确度、召回率、F1-score的代码

在机器学习中，评估模型性能常用的指标包括AUC、准确度（Accuracy）、精确度（Precision）、召回率（Recall）和F1-score。以下是使用Python中的`sklearn`库计算这些指标的一个简单示例：

首先，你需要有一个训练好的机器学习模型，并对其做预测，得到预测结果和真实的标签。然后，使用`sklearn.metrics`中的相关函数来计算这些性能指标。

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

# 假设 y_true 是真实的标签数组，y_pred 是模型预测的标签数组，y_pred_proba 是模型预测的概率数组（对于二分类问题）
y_true = [...]  # 真实标签
y_pred = [...]  # 模型预测的标签
y_pred_proba = [...]  # 模型预测的概率

# 准确度（Accuracy）
accuracy = accuracy_score(y_true, y_pred)
print(f'准确度: {accuracy}')

# 精确度（Precision）
precision = precision_score(y_true, y_pred)
print(f'精确度: {precision}')

# 召回率（Recall）
recall = recall_score(y_true, y_pred)
print(f'召回率: {recall}')

# F1-score
f1 = f1_score(y_true, y_pred)
print(f'F1-score: {f1}')

# AUC (Area Under the Curve)
# 注意：AUC只能应用于二分类问题的ROC曲线
if len(np.unique(y_true)) == 2:  # 确保标签只有两个类别
    auc = roc_auc_score(y_true, y_pred_proba)
    print(f'AUC: {auc}')

请确保你已经安装了`sklearn`库，并且你的`y_true`和`y_pred`是适当格式的数组或列表，`y_pred_proba`是一个包含概率值的数组。对于二分类问题，`y_pred_proba`应该是一个二维数组，其中每一行对应一个样本，每一列对应一个类别的预测概率。

在多分类问题中，`precision_score`、`recall_score`和`f1_score`函数默认计算所有类别的加权平均值。你也可以通过设置参数`average=None`来得到一个针对每个类别的性能指标列表。