如何定义函数以计算线性回归、随机森林与伯努利模型的准确率、精确率、召回率及F1值

这个需求太实用了！把重复的指标计算逻辑封装成函数，能省不少重复写代码的功夫，我来给你捋捋怎么实现：

第一步：封装可复用的评估函数 #

我们可以把指标计算的逻辑打包成一个函数，它接收训练好的分类器、测试集特征和测试集标签作为输入，自动完成预测和指标计算，还能把结果打印出来或者返回给你后续使用：

from sklearn.metrics import accuracy_score, f1_score, precision_score, recall_score

def evaluate_classifier(classifier, X_test, y_test, average='macro'):
    # 生成模型的预测结果
    y_pred = classifier.predict(X_test)
    
    # 计算各项分类指标
    accuracy = accuracy_score(y_test, y_pred)
    precision = precision_score(y_test, y_pred, average=average)
    recall = recall_score(y_test, y_pred, average=average)
    f1 = f1_score(y_test, y_pred, average=average)
    
    # 格式化打印指标结果，看起来更清晰
    print(f"准确率（Accuracy）: {accuracy:.4f}")
    print(f"精确率（Precision）: {precision:.4f}")
    print(f"召回率（Recall）: {recall:.4f}")
    print(f"F1值（F1 Score）: {f1:.4f}")
    
    # 返回指标字典，方便后续分析、保存或进一步处理
    return {
        'accuracy': accuracy,
        'precision': precision,
        'recall': recall,
        'f1': f1
    }

第二步：调用函数评估不同模型 #

假设你已经训练好了三个模型（比如linear_clf、rf_clf、bernoulli_clf，这里注意：如果是线性回归（回归任务），你提到的这些分类指标是不适用的，可能你实际想使用的是逻辑回归分类器？），只需要分别调用这个函数就能快速得到评估结果：

# 评估线性分类模型（比如逻辑回归）
print("=== 线性分类模型评估结果 ===")
linear_metrics = evaluate_classifier(linear_clf, X_test, y_test)

# 评估随机森林模型
print("\n=== 随机森林模型评估结果 ===")
rf_metrics = evaluate_classifier(rf_clf, X_test, y_test)

# 评估伯努利模型
print("\n=== 伯努利模型评估结果 ===")
bernoulli_metrics = evaluate_classifier(bernoulli_clf, X_test, y_test)

一些额外的小提示 #

• 关于average参数：如果是二分类任务，你可以把它改成average='binary'；多分类任务中，'macro'是对各类指标取算术平均，'weighted'会考虑各类样本的数量权重，你可以根据需求调整。
• 如果不需要返回指标，只需要打印的话，可以删掉return语句。
• 要是需要把结果保存到文件，还可以在函数里加上写入文件的逻辑，让它更灵活。

内容的提问来源于stack exchange，提问作者Ann-Sophie Biderbost