【C123】分类模型训练效果的 Precision、Recall 与 F1 指标报告生成

本项目围绕机器学习分类模型的结果评估展开，重点展示如何生成标准化的分类报告。相比单一准确率，分类报告能够同时反映模型在不同类别上的精确率、召回率、F1 值和样本量，因此更适合用于论文复现、模型对比和学术结果展示。

代码基于 sklearn.metrics 中的 accuracy_score 和 precision_recall_fscore_support 函数，封装了一个 calculate_academic_metrics 指标计算函数。该函数可以输入真实标签、预测标签和类别名称，自动输出各类别的 Precision、Recall、F1 和 Support，并在最后添加整体准确率和宏平均指标。

项目适用于二分类和多分类任务，尤其适合在模型训练完成后生成结果表格，用于论文、报告或代码库中的结果展示部分。

示例结果表包括两个类别：

1. 定义1：直接节约

2. 定义2：自动化替代

结果如下：

定义1：直接节约

Precision = 0.878

Recall = 0.935

F1 = 0.905

N = 46

定义2：自动化替代

Precision = 0.903

Recall = 0.956

F1 = 0.929

N = 68

整体/宏平均

Accuracy = 0.880

Precision = 0.890

Recall = 0.945

F1 = 0.917

N = 114

结果说明，模型整体准确率为 0.880，宏平均 F1 值为 0.917，说明模型在两个类别上均取得了较稳定的分类效果。其中，定义2的 F1 值略高于定义1，表明模型对“自动化替代”类别的识别效果更好。