Python中利用matthews_corrcoef()函数计算分类模型的表现

在Python中，可以使用matthews_corrcoef()函数来计算分类模型的表现。该函数实现了马修斯相关系数（Matthews correlation coefficient），用于评估二分类模型的性能。

马修斯相关系数的取值范围为-1到1，其中1表示完美的预测，-1表示完全相反的预测，0表示随机预测。

下面是一个使用matthews_corrcoef()函数计算分类模型表现的示例：

from sklearn.metrics import matthews_corrcoef

# 以模型预测结果和真实标签为例
y_pred = [0, 1, 0, 1, 0]
y_true = [0, 0, 1, 1, 0]

# 调用matthews_corrcoef()函数计算预测结果
mcc = matthews_corrcoef(y_true, y_pred)

print("马修斯相关系数：", mcc)

在这个示例中，模型的预测结果是y_pred，真实标签是y_true。调用matthews_corrcoef()函数将预测结果和真实标签作为参数传入，并将计算的马修斯相关系数存储在变量mcc中。

最后，将计算得到的马修斯相关系数打印出来。

以上代码的输出结果将是：

马修斯相关系数： -0.3333333333333333

这个示例中的马修斯相关系数为-0.33，表示模型的预测结果与真实标签之间存在弱相关性。

在实际应用中，可以使用matthews_corrcoef()函数来评估二分类模型的性能。通过比较不同模型的马修斯相关系数，可以选择性能最佳的模型进行进一步的分析和优化。