利用matthews_corrcoef()函数分析分类器的预测准确度

matthews_corrcoef()函数可用于衡量分类器的预测准确度，特别适用于样本类别不平衡的情况。它计算的是分类器的预测结果与真实结果之间的相关性，其值的范围从-1到+1，其中0表示预测准确度随机，+1表示完美预测，-1表示完全相反的预测。

为了使用matthews_corrcoef()函数，我们首先需要导入所需模块。这里以Python的sklearn库为例：

from sklearn.metrics import matthews_corrcoef

接下来，我们需要准备一些预测结果和真实结果的样本数据。假设我们有100个样本数据，针对这些数据分别进行了预测并获得预测结果pred_labels，同时也有了真实的标签true_labels。

pred_labels = [0, 1, 1, 0, 1, 1, 1, 0, 1, 0, ..., 1]  # 预测结果
true_labels = [0, 0, 1, 1, 1, 0, 1, 0, 0, 1, ..., 1]  # 真实结果

然后，我们可以调用matthews_corrcoef()函数来计算预测准确度：

accuracy = matthews_corrcoef(true_labels, pred_labels)

最后，打印输出计算得到的预测准确度：

print("预测准确度：", accuracy)

通过上述示例代码，我们就可以利用matthews_corrcoef()函数来分析分类器的预测准确度。这个函数可以帮助我们更全面地评估分类器的性能，尤其是在样本类别不平衡的情况下，它具有较好的表现。