给出python代码，要得到每个类的accuracy、precision、recall和F1-score

假设有一个分类问题，有两个类别（0和1），以下是一个示例代码：

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

# 随机生成真实标签和预测标签
y_true = [0, 1, 1, 0, 1, 0]
y_pred = [0, 1, 0, 1, 0, 1]

# 计算各项指标
accuracy = accuracy_score(y_true, y_pred)
precision = precision_score(y_true, y_pred)
recall = recall_score(y_true, y_pred)
f1_score = f1_score(y_true, y_pred)

# 输出结果
print("Accuracy:", accuracy)
print("Precision:", precision)
print("Recall:", recall)
print("F1-score:", f1_score)

其中，`y_true`是真实标签，`y_pred`是预测标签。`accuracy_score`计算准确率，`precision_score`计算精确率，`recall_score`计算召回率，`f1_score`计算F1值。最后输出各项指标的值。

相关问题

对比excel数据在随机森林、逻辑回归、贝叶斯、决策树、KNN训练后对比precision、recall、f1-score、accuracy四项指标的结果对比图柱状图代码，precision、recall、f1-score、accuracy的柱子要求颜色不一致，x轴的列明设置倾斜代码实现

下面是一个示例代码，用于根据Excel数据绘制随机森林、逻辑回归、贝叶斯、决策树和KNN模型在precision、recall、f1-score和accuracy方面的对比柱状图：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 从Excel读取数据
data = pd.read_excel('data.xlsx')  # 替换为你的Excel文件路径

# 提取模型名称和指标值
models = data['Model'].tolist()
precision = data['Precision'].tolist()
recall = data['Recall'].tolist()
f1_score = data['F1-score'].tolist()
accuracy = data['Accuracy'].tolist()

# 设置柱状图的颜色
colors = ['red', 'green', 'blue', 'yellow', 'orange']

# 绘制柱状图
fig, ax = plt.subplots()
bar_width = 0.2
index = np.arange(len(models))

rects1 = ax.bar(index, precision, bar_width, color=colors[0], label='Precision')
rects2 = ax.bar(index + bar_width, recall, bar_width, color=colors[1], label='Recall')
rects3 = ax.bar(index + 2 * bar_width, f1_score, bar_width, color=colors[2], label='F1-score')
rects4 = ax.bar(index + 3 * bar_width, accuracy, bar_width, color=colors[3], label='Accuracy')

# 设置x轴标签倾斜
ax.set_xticks(index + 2 * bar_width)
ax.set_xticklabels(models, rotation=45, ha='right')

# 设置图例
ax.legend()

# 显示网格线
ax.grid(True)

# 添加标题和轴标签
plt.title('Comparison of Performance Metrics')
plt.xlabel('Models')
plt.ylabel('Scores')

# 显示图形
plt.tight_layout()
plt.show()

在上述代码中，你需要将`'data.xlsx'`替换为你的Excel文件路径，确保Excel文件中包含Model、Precision、Recall、F1-score和Accuracy列。运行代码后，将生成一个柱状图，用于对比不同模型在precision、recall、f1-score和accuracy方面的性能。每个指标的柱子颜色都不同，并且x轴的列名会被倾斜显示。你可以根据实际需求进行修改和优化。

用cnn算法实现手写数字识别，要求：使用mnist数据集，使用python语言，评价指标包括overall accuracy，precision，recall，f1-score，训练用时和测试用时，关键步骤有注释说明。请给出代码

好的，以下是使用CNN算法实现手写数字识别的Python代码，注释说明在代码中：

import numpy as np
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K

# 定义输入图像的尺寸和类别数
img_rows, img_cols = 28, 28
num_classes = 10

# 加载MNIST数据集并进行预处理
(x_train, y_train), (x_test, y_test) = mnist.load_data()

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

# 将类别标签转换为独热编码格式
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

# 定义CNN模型
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

# 编译模型
model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train,
          batch_size=128,
          epochs=12,
          verbose=1,
          validation_data=(x_test, y_test))

# 评估模型
score = model.evaluate(x_test, y_test, verbose=0)

# 输出评估结果
print('Test loss:', score[0])
print('Test accuracy:', score[1])

在上述代码中，我们首先加载MNIST数据集，并对数据进行预处理，将输入图像的像素值缩放到0到1之间，将类别标签转换为独热编码格式。

然后，我们定义CNN模型，包括两个卷积层、一个池化层、两个Dropout层和两个全连接层。

接下来，我们编译模型，指定损失函数、优化器和评价指标，然后使用训练数据对模型进行训练。

最后，我们使用测试数据对模型进行评估，并输出评估结果。