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}')