综合得分(r-score)

综合得分(r-score)是一个综合评价一个模型性能表现的指标，通常用于分类问题中。它是Precision和Recall的调和平均值，计算方法如下：

$$\text{r-score} = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

其中，Precision是预测为正类别的样本中真正为正类别的样本数量与预测为正类别的样本数量的比例；Recall是真正为正类别的样本数量与真正为正类别的样本数量和被错误预测为负类别的样本数量的比例。

综合得分(r-score)的取值范围在0到1之间，越接近1表示模型的性能越好。

下面是一个使用Python编写的计算综合得分的函数示例：

def r_score(y_true, y_pred):
    tp = sum((y_true == 1) & (y_pred == 1))
    fp = sum((y_true == 0) & (y_pred == 1))
    fn = sum((y_true == 1) & (y_pred == 0))
    precision = tp / (tp + fp)
    recall = tp / (tp + fn)
    r_score = 2 * precision * recall / (precision + recall)
    return r_score

该函数需要输入两个参数，y_true和y_pred，分别表示真实类别和预测类别。函数首先计算TP、FP和FN的数量，然后计算Precision、Recall和综合得分(r-score)并返回。

综合得分(r-score)在机器学习和数据挖掘中得到广泛应用，它是评价分类模型性能的常用指标之一，可以帮助我们评估不同的模型并选择最佳模型。