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

​

# 从不会总是预测众数类的假设模型中获取的概率值：

y_proba_2 = np.array(

    np.random.uniform(0, 0.7, n_0).tolist() +  # 类别 0 的预测概率

    np.random.uniform(0.3, 1, n_1).tolist()    # 类别 1 的预测概率

)

y_pred_2 = y_proba_2 > 0.5  # 以 0.5 为阈值生成预测标签

​

# 输出模型评估结果：

print(f'准确率: {accuracy_score(y, y_pred_2)}')

cf_mat = confusion_matrix(y, y_pred_2)

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}')