W3School TIY Editor

import numpy as np from sklearn.metrics import accuracy_score, confusion_matrix, roc_auc_score, roc_curve n = 10000 ratio = 0.95 n_0 = int((1-ratio) * n) # 少数类样本数 n_1 = int(ratio * n) # 多数类样本数 y = np.array([0] * n_0 + [1] * n_1) # 真实标签 # 从总是预测多数类的假设模型中获取的概率值： # 预测类别 1 的概率为 100% y_proba = np.array([1]*n) # 全部预测为类别 1 的概率 y_pred = y_proba > 0.5 # 预测结果（全部为 True） # 输出模型评估结果 print(f'模型准确率: {accuracy_score(y, y_pred)}') cf_mat = confusion_matrix(y, y_pred) print('混淆矩阵:') print(cf_mat) print(f'类别 0 准确率: {cf_mat[0][0]/n_0}') print(f'类别 1 准确率: {cf_mat[1][1]/n_1}')