使用matthews_corrcoef()函数评估分类模型性能

matthews_corrcoef()函数是scikit-learn库中的一个评估分类模型性能的函数，它用来计算分类问题中的Matthews相关系数（MCC）。MCC是一种衡量分类模型性能的指标，其值范围为[-1,1]，1表示完美预测，0表示随机预测，-1表示完全相反的预测。

下面是一个使用matthews_corrcoef()函数评估分类模型性能的例子：

import numpy as np
from sklearn.metrics import matthews_corrcoef

# 示例数据
y_true = np.array([1, 1, 0, 1, 0, 0])
y_pred = np.array([1, 0, 0, 1, 1, 0])

# 计算Matthews相关系数
mcc = matthews_corrcoef(y_true, y_pred)

# 打印结果
print("Matthews相关系数:", mcc)

在上面的例子中，我们首先导入了matthews_corrcoef()函数和numpy库。然后，我们定义了真实标签y_true和预测标签y_pred，分别是长度为6的NumPy数组。接下来，我们使用matthews_corrcoef()函数计算了这两个标签之间的Matthews相关系数，并将结果存储在mcc变量中。最后，我们通过打印结果展示了Matthews相关系数的值。

上述代码的输出结果应该为：

Matthews相关系数: 0.33333333333333337

这个例子是一个二分类问题，真实标签y_true包含了6个样本的真实类别（1代表正例，0代表负例），预测标签y_pred包含了对这6个样本进行的预测（1代表预测为正例，0代表预测为负例）。matthews_corrcoef()函数计算了这两个标签之间的Matthews相关系数，结果为0.33333333333333337，表示模型性能一般。

实际中，我们可以将真实标签和预测标签作为参数传递给matthews_corrcoef()函数，该函数会自动计算Matthews相关系数并返回结果。

matthews_corrcoef()函数可用于评估分类模型性能，并帮助我们了解模型的预测准确度。它在很多机器学习任务中都有广泛的应用，例如二分类、多分类和混淆矩阵分析等。