编写分类性能度量的函数 my_metrics(y,y_predict), 要求（不使用 sklearn）返 回准确度、精确率、召回率和 F1 score。

你可以编写一个名为 `my_metrics` 的函数，用于计算分类任务的四个基本度量标准：准确度、精确率、召回率和F1分数。这些度量通常用于评估模型的表现，特别是在不平衡数据集上。下面是一个简单的Python实现：

def confusion_matrix(y_true, y_pred):
    tp = 0
    tn = 0
    fp = 0
    fn = 0
    for i in range(len(y_true)):
        if y_true[i] == y_pred[i]:
            if y_true[i] == 1:
                tp += 1
            else:
                tn += 1
        else:
            if y_true[i] == 1:
                fp += 1
            else:
                fn += 1
    return tp, tn, fp, fn

def accuracy(tp, tn, fp, fn):
    total = tp + tn + fp + fn
    return tp / total

def precision(tp, fp):
    return tp / (tp + fp)

def recall(tp, fn):
    return tp / (tp + fn)

def f1_score(precision, recall):
    return 2 * ((precision * recall) / (precision + recall))

def my_metrics(y_true, y_pred):
    tp, tn, fp, fn = confusion_matrix(y_true, y_pred)
    acc = accuracy(tp, tn, fp, fn)
    pr = precision(tp, fp)
    rc = recall(tp, fn)
    fscore = f1_score(pr, rc)
    return acc, pr, rc, fscore

# 示例使用
y_true = [0, 1, 1, 0, 0, 1]
y_pred = [0, 1, 0, 0, 1, 1]
metrics = my_metrics(y_true, y_pred)

在这个函数中，我们首先计算混淆矩阵，然后分别计算准确度、精确率、召回率和F1分数。注意，这个实现假设了二分类问题，并且0代表负类，1代表正类。