tiny.pl/dh2rbgzy
# 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
]
# 3) Liczenie metryk
def policz_accuracy(prawda, model):
poprawne = 0
for i in range(len(prawda)):
if prawda[i] == model[i]:
poprawne += 1
if len(prawda) == 0: return 0.0
return poprawne / len(prawda)
def policz_precision(prawda, model):
tp = fp = 0
for i in range(len(prawda)):
if model[i] == 1:
if prawda[i] == 1: tp += 1
else: fp += 1
if tp + fp == 0: return 0.0
return tp / (tp + fp)
def policz_recall(prawda, model):
tp = fn = 0
for i in range(len(prawda)):
if prawda[i] == 1:
if model[i] == 1: tp += 1
else: fn += 1
if tp + fn == 0: return 0.0
return tp / (tp + fn)
def policz_f1(prawda, model):
p = policz_precision(prawda, model)
r = policz_recall(prawda, model)
if p + r == 0: return 0.0
return 2 * p * r / (p + r)
# 4) Raport – policz i pokaż wyniki
modele = {
"Model 1": y_model1,
"Model 2": y_model2,
"Model 3": y_model3,
"Model 4": y_model4,
}
for nazwa, przewidywania in modele.items():
acc = policz_accuracy(y_prawda, przewidywania)
pre = policz_precision(y_prawda, przewidywania)
rec = policz_recall(y_prawda, przewidywania)
f1 = policz_f1(y_prawda, przewidywania)
print("="*66)
print(nazwa)
print(" Dokładność (accuracy):", round(acc, 3))
print(" Precyzja (precision): ", round(pre, 3))
print(" Czułość (recall): ", round(rec, 3))
print(" F1-score: ", round(f1, 3))
================================================================== Model 1 Dokładność (accuracy): 0.871 Precyzja (precision): 0.875 Czułość (recall): 0.7 F1-score: 0.778 ================================================================== Model 2 Dokładność (accuracy): 0.806 Precyzja (precision): 1.0 Czułość (recall): 0.4 F1-score: 0.571 ================================================================== Model 3 Dokładność (accuracy): 0.806 Precyzja (precision): 0.625 Czułość (recall): 1.0 F1-score: 0.769 ================================================================== Model 4 Dokładność (accuracy): 0.839 Precyzja (precision): 0.692 Czułość (recall): 0.9 F1-score: 0.783
================================================== Model 1 Dokładność (accuracy): 0.871 Precyzja (precision): 0.875 Czułość (recall): 0.7 F1-score: 0.778 ================================================== Model 2 Dokładność (accuracy): 0.806 Precyzja (precision): 1.0 Czułość (recall): 0.4 F1-score: 0.571 ================================================== Model 3 Dokładność (accuracy): 0.806 Precyzja (precision): 0.625 Czułość (recall): 1.0 F1-score: 0.769 ================================================== Model 4 Dokładność (accuracy): 0.839 Precyzja (precision): 0.692 Czułość (recall): 0.9 F1-score: 0.783