Python代码实现机器学习计算模型预测结果的准确率，错误率，查准率，查全率，F1，ROC和AUC曲线

在Python中，可以使用各种机器学习库和框架来实现模型预测结果的评估指标。以下是一些常用的指标和相应的代码实现示例：

1. 准确率（Accuracy）：预测正确的样本数占总样本数的比例。

from sklearn.metrics import accuracy_score

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

accuracy = accuracy_score(y_true, y_pred)
print("准确率：", accuracy)

2. 错误率（Error Rate）：预测错误的样本数占总样本数的比例。

error_rate = 1 - accuracy
print("错误率：", error_rate)

3. 查准率（Precision）：预测为正例的样本中，真正为正例的比例。

from sklearn.metrics import precision_score

precision = precision_score(y_true, y_pred)
print("查准率：", precision)

4. 查全率（Recall）：真正为正例的样本中，被正确预测为正例的比例。

from sklearn.metrics import recall_score

recall = recall_score(y_true, y_pred)
print("查全率：", recall)

5. F1值（F1 Score）：综合考虑了查准率和查全率的指标，是二者的调和平均值。

from sklearn.metrics import f1_score

f1 = f1_score(y_true, y_pred)
print("F1值：", f1)

6. ROC曲线和AUC（Receiver Operating Characteristic curve and Area Under the Curve）：用于评估二分类模型的性能。ROC曲线是以不同的分类阈值为基础，绘制出真正例率（TPR）和假正例率（FPR）之间的关系曲线。AUC表示ROC曲线下的面积，用于衡量模型的分类能力。

from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt

# 计算预测概率
y_score = [0.2, 0.6, 0.8, 0.3, 0.9]
fpr, tpr, thresholds = roc_curve(y_true, y_score)

# 绘制ROC曲线
plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % auc(fpr, tpr))
plt.plot([0, 1], [0, 1], 'k--')  # 绘制对角线
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc='lower right')
plt.show()

# 计算AUC
auc_score = auc(fpr, tpr)
print("AUC：", auc_score)