pso-xgboost多分类评价指标python

在使用 PSO（粒子群算法）优化 XGBoost 进行多分类任务时，常用的评价指标有：

1. Accuracy（准确率）：分类正确的样本数占总样本数的比例。

2. F1-Score：综合考虑了 Precision（精确率）和 Recall（召回率），是二者的调和平均数，可以用来评价分类器的性能。

3. Macro-F1：对每个类别分别计算 F1-Score，然后取平均值，适用于类别数量不多的情况。

4. Micro-F1：将所有分类的 TP、FP、FN 统计起来，计算 F1-Score，适用于类别数量较多的情况。

代码实现：

from sklearn.metrics import accuracy_score, f1_score

# 计算准确率
acc = accuracy_score(y_true, y_pred)

# 计算 F1-Score
f1 = f1_score(y_true, y_pred, average='macro') # 或者 average='micro'

其中，`y_true` 为真实标签，`y_pred` 为预测标签。`average` 参数用于指定 F1-Score 的计算方式，可选值包括 `'macro'` 和 `'micro'`。