编写分类性能度量的函数 my_metrics(y,y_predict), 要求（不使用 sklearn）返 回准确度、精确率、召回率和 F1 score。

编写一个自定义的分类性能度量函数 `my_metrics`，可以按照以下步骤完成：

首先，我们需要定义一些辅助函数用于计算精度（Precision）、召回率（Recall）和 F1 分数（F1 Score）。这些指标通常基于真正例（True Positives, TP）、假正例（False Positives, FP）、真反例（True Negatives, TN），以及假反例（False Negatives, FN）。

def true_positives(TP):
    return TP

def false_positives(FP):
    return FP

def true_negatives(TN):
    return TN

def false_negatives(FN):
    return FN

def precision(TP, FP):
    if TP + FP == 0:
        return 0
    else:
        return TP / (TP + FP)

def recall(TP, FN):
    if TP + FN == 0:
        return 0
    else:
        return TP / (TP + FN)

def f1_score(precision_, recall_):
    if precision_ + recall_ == 0:
        return 0
    else:
        return 2 * precision_ * recall_ / (precision_ + recall_)

然后，我们可以设计 `my_metrics` 函数接收真实标签 `y` 和预测结果 `y_predict`，并计算上述四个值：

def my_metrics(y, y_predict):
    # 确定每个类别的真值和预测值
    labels = set(y)
    TP = {label: 0 for label in labels}
    FP = {label: 0 for label in labels}
    TN = {label: 0 for label in labels}
    FN = {label: 0 for label in labels}

    for i in range(len(y)):
        true_label = y[i]
        pred_label = y_predict[i]

        if true_label == pred_label:
            if true_label == 1:  # 只对二分类任务处理，其他分类任务需要调整这部分
                TP[true_label] += 1
            else:
                TN[true_label] += 1
        elif true_label == 0 and pred_label == 1:
            FP[true_label] += 1
        elif true_label == 1 and pred_label == 0:
            FN[true_label] += 1

    accuracy = sum(TP.values()) + TN.values() / len(y)
    overall_precision = precision(sum(TP.values()), sum(FP.values()))
    overall_recall = recall(sum(TP.values()), sum(FN.values()))

    average_f1_scores = {}
    for label, tp in TP.items():
        if tp > 0:
            precision_ = precision(tp, FP[label])
            recall_ = recall(tp, FN[label])
            average_f1_scores[label] = f1_score(precision_, recall_)

    return accuracy, overall_precision, overall_recall, average_f1_scores

注意：这个函数适用于二分类任务。对于多分类任务，你需要调整 TP、FP、TN、FN 的计数，以及 F1 分数的部分，以便分别计算每个类别的指标。