写一个python脚本实现模型多分类中，计算某一类的精确率召回率以及F1

假设我们有一个多分类的模型，输出结果为每个类别的概率值，真实标签为每个样本的实际类别。

首先，我们需要将输出的概率值转换为预测类别。可以通过取概率值最大的那个类别作为预测类别。

接着，我们可以计算每个类别的 TP、FP、FN 值：

- TP (True Positive)：预测为该类别且实际为该类别的样本数。
- FP (False Positive)：预测为该类别但实际不是该类别的样本数。
- FN (False Negative)：实际为该类别但预测不是该类别的样本数。

有了这些值，我们可以计算某一类的精确率、召回率和 F1 值：

- 精确率 (precision)： TP / (TP + FP)
- 召回率 (recall)： TP / (TP + FN)
- F1 值 (F1-score)： 2 * precision * recall / (precision + recall)

下面是一个示例代码：

import numpy as np

def calc_metrics(y_true, y_pred, class_id):
    """
    计算某一类别的精确率、召回率和 F1 值
    :param y_true: 真实标签，形状为 (n_samples,)
    :param y_pred: 预测标签，形状为 (n_samples, n_classes)
    :param class_id: 要计算的类别 ID
    :return: (precision, recall, f1_score)
    """
    y_pred = np.argmax(y_pred, axis=1)  # 转换为预测类别
    tp = np.sum((y_true == class_id) & (y_pred == class_id))
    fp = np.sum((y_true != class_id) & (y_pred == class_id))
    fn = np.sum((y_true == class_id) & (y_pred != class_id))
    precision = tp / (tp + fp)
    recall = tp / (tp + fn)
    f1_score = 2 * precision * recall / (precision + recall)
    return precision, recall, f1_score

其中，y_true 和 y_pred 的形状分别为 (n_samples,) 和 (n_samples, n_classes)，class_id 为要计算的类别 ID。函数返回结果为该类别的精确率、召回率和 F1 值。