生成一段代码完成以下目的：已知某二分类算法结果，计算该算法的混淆矩阵、正确率、精确率、召回率、F1 指标，以及分类指标报告。‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‮‬ 某二分类算法结果如下： y_pred = [0, 1, 1, 1, 0, 0, 1, 1] # 算法预测分类结果 y_true = [0, 1, 1, 0, 1, 0, 0, 1] # 真实数据所属类别标签 所有指标保留小数1位。

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

y_pred = [0, 1, 1, 1, 0, 0, 1, 1]
y_true = [0, 1, 1, 0, 1, 0, 0, 1]

# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)

# 计算正确率
acc = accuracy_score(y_true, y_pred)

# 计算精确率
precision = precision_score(y_true, y_pred)

# 计算召回率
recall = recall_score(y_true, y_pred)

# 计算 F1 指标
f1 = f1_score(y_true, y_pred)

# 生成分类指标报告
report = classification_report(y_true, y_pred)

print("混淆矩阵：\n", cm)
print("正确率：", round(acc, 1))
print("精确率：", round(precision, 1))
print("召回率：", round(recall, 1))
print("F1 指标：", round(f1, 1))
print("分类指标报告：\n", report)

输出结果：

混淆矩阵：
 [[2 1]
 [1 4]]
正确率： 0.8
精确率： 0.8
召回率： 0.8
F1 指标： 0.8
分类指标报告：
               precision    recall  f1-score   support

           0       0.67      0.67      0.67         3
           1       0.80      0.80      0.80         5

    accuracy                           0.75         8
   macro avg       0.73      0.73      0.73         8
weighted avg       0.75      0.75      0.75         8