多分类模型roc-auc的计算以及precision、recall、accuracy等的计算

TP：True被预测成Positive
TN：True被预测成Negative
FP：False被预测成Positive
FN：False被预测成Negative
$$accuracy=\frac{TP+TN}{TP+TN+FP+FN}$$
$$precision=\frac{TP}{TP+TN}$$
$$recall=\frac{TP}{TP+FP}$$
$$F1=\frac{2\ast precision\ast recall}{precision+recall}$$
在已经设置好模型的基础上，log_model就是训练好的模型，roc-auc的计算：

# 预测分类
y_pred = log_model.predict(X_test)
# 预测概率
y_score = log_model.predict_proba(X_test)
# 对真实值进行二进制处理
n_classes = 6
y_binary = label_binarize(y_test, np.arange(n_classes))
fpr, tpr, thresholds = fpr, tpr, thresholds = metrics.roc_curve(y_one_hot.ravel(), y_score.ravel())
auc = metrics.auc(fpr, tpr)

计算混淆矩阵：

confusion_matrix = metrics.confusion_matrix(y_test, y_pred)

按分类计算对应的F1、precision、recall：

classification_report = metrics.classification_report(y_test, y_pred)

独立计算recall、accuracy的均值：

很多笔记里都写的需要在计算accuracy时设置属性average，但是在实际操作时会提示accuracy_score got an unexpected argument “average”，所以就把它去掉了，也能正常计算。查看源码会发现有的计算有average属性，有的没有。

recall = metrics.recall_score(y_test, y_pred, average="weighted")
accuracy = metrics.accuracy_score(y_test, y_pred)