python 精确率、召回率、F1值

在 Python 中，可以使用 Scikit-learn 库来计算精确率、召回率和 F1 值。

假设有一个二分类模型，可以使用以下代码计算精确率、召回率和 F1 值：

from sklearn.metrics import precision_score, recall_score, f1_score

# 预测结果和真实标签
y_true = [0, 1, 0, 0, 1, 1, 0, 1, 0, 1]
y_pred = [0, 1, 0, 1, 1, 0, 1, 0, 0, 1]

# 计算精确率、召回率、F1值
precision = precision_score(y_true, y_pred)
recall = recall_score(y_true, y_pred)
f1 = f1_score(y_true, y_pred)

print("精确率：", precision)
print("召回率：", recall)
print("F1值：", f1)

其中，`y_true`是真实标签，`y_pred`是模型预测的标签。

`precision_score()`函数可以计算精确率，`recall_score()`函数可以计算召回率，`f1_score()`函数可以计算 F1 值。这些函数都需要传入真实标签和模型预测的标签作为参数，然后返回对应的指标值。

需要注意的是，这些指标都是基于正例（即标签为1）的，因此在计算之前需要确保数据集中包含足够的正例样本。如果数据集中正例样本比例较低，那么这些指标的值可能会受到影响。