写一段模型评估的代码

当评估机器学习模型时，可以使用各种指标，例如准确率、精确率、召回率、F1分数等。下面是一个简单的模型评估代码示例，使用 scikit-learn 库中的分类器来训练和评估一个二元分类模型：

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 加载数据集
data = load_breast_cancer()
X = data.data
y = data.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测测试集结果
y_pred = model.predict(X_test)

# 计算模型评估指标
print('Accuracy:', accuracy_score(y_test, y_pred))
print('Precision:', precision_score(y_test, y_pred))
print('Recall:', recall_score(y_test, y_pred))
print('F1 score:', f1_score(y_test, y_pred))

这个示例代码加载了 scikit-learn 库中自带的乳腺癌数据集，将数据集划分为训练集和测试集，使用逻辑回归分类器训练模型，然后使用测试集数据进行预测，并计算出准确率、精确率、召回率和 F1 分数等评估指标。