# 1) Prawdziwe wyniki: 1 = sukces, 0 = porażka
y_prawda = [
    1,1,1,1,1,1,1,1,1,1,
    0,0,0,0,0,0,0,0,0,0,
    0,0,0,0,0,0,0,0,0,0,0
]

# 2) Przewidywania 4 modeli

# Model 1
y_model1 = [
    1,1,1,1,1,1,1,
    0,0,0,
    1,
    0,0,0,0,0,0,0,0,0,0,
    0,0,0,0,0,0,0,0,0,0
]

# Model 2
y_model2 = [
    1,1,1,1,
    0,0,0,0,0,0,
    0,0,0,0,0,0,0,0,0,0,
    0,0,0,0,0,0,0,0,0,0,0
]

# Model 3
y_model3 = [
    1,1,1,1,1,1,1,1,1,1,
    1,1,1,1,1,1,
    0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
]

# Model 4
y_model4 = [
    1,1,1,1,1,1,1,1,1,
    0,
    1,1,1,1,
    0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
]

#Precision: jeżeli jest false positive, czyli w prawdzie jest 0 a wyszła 1 i tp/ (tp+fp)
#Recall: jeżeli jest false negative (osoba której wykryliśmy chorobę a jest zdrowa) tak samo jak wyżej
#Tzw F1 to precyzja + recall. Obliczamy jako 2*p*r

def accuracy(prawda, model):
  poprawne = 0
  for i in range(len(prawda)):
    if prawda[i] == model[i]:
      poprawne += 1
    return poprawne / len(prawda)

def precision(prawda, model):
  #true_positive, false_positive