一、回顾概念

TP：预测为正向（P），实际上预测正确（T），即判断为正向的正确率；

TN：预测为负向（N），实际上预测正确（T），即判断为负向的正确率；

FP：预测为正向（P），实际上预测错误（F），误报率，即把负向判断成了正向；

FN：预测为负向（N），实际上预测错误（F），漏报率，即把正向判断称了负向；

y_true = [0, 1, 1, 0] #真实值
y_pred = [1, 1, 1, 0] #预测值

1、准确率

Accuracy=（TP+TN）/（TP+FP+TN+FN），即预测正确的比上全部数据。

from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_true, y_pred)

2、精确率

Precision=TP /（TP+FP），即在预测为正向的数据中，有多少预测正确了。

from sklearn.metrics import precision_score
p = precision_score(y_true, y_pred)

3、召回率

Recall=TP /（TP+FN），即在所有正向的数据中，有多少预测正确了。

from sklearn.metrics import recall_score
r = recall_score(y_true, y_pred)

4、F1

from sklearn.metrics import f1_score
f1score = f1_score(y_true, y_pred)

5、ACU

from sklearn.metrics import roc_auc_score
AUC = roc_auc_score(y_true, y_pred)

二、自定义TP,FP,TN,FN,accuracy,precision,recall,f1-score

y_true = np.array([0,1,1,0,1,0])
y_pred = np.array([1,1,0,0,1,0])

TP = np.sum(np.logical_and(np.equal(y_true,1),np.equal(y_pred,1))) # 正向、正确
TN = np.sum(np.logical_and(np.equal(y_true,0),np.equal(y_pred,0))) # 负向、正确
FP = np.sum(np.logical_and(np.equal(y_true,0),np.equal(y_pred,1))) # 正向、错误
FN = np.sum(np.logical_and(np.equal(y_true,1),np.equal(y_pred,0))) # 负向、错误

Accuracy = (TP+TN)/(TP+FP+TN+FN)
precision = TP/(TP+FP)
recall = TP/(TP+FN)