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}')