二分类问题测试集评估代码示例：准确率、精确率、召回率、F1值和ROC AUC

下面是一个示例代码，用于评估二分类问题的测试集：

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score

# y_true为真实标签，y_pred为预测标签
y_true = [0, 1, 0, 1, 1]
y_pred = [0, 1, 1, 1, 0]

# 计算准确率
accuracy = accuracy_score(y_true, y_pred)
print('Accuracy:', accuracy)

# 计算精确率
precision = precision_score(y_true, y_pred)
print('Precision:', precision)

# 计算召回率
recall = recall_score(y_true, y_pred)
print('Recall:', recall)

# 计算F1值
f1 = f1_score(y_true, y_pred)
print('F1 score:', f1)

# 计算ROC AUC值
roc_auc = roc_auc_score(y_true, y_pred)
print('ROC AUC score:', roc_auc)

这段代码使用了scikit-learn库的metrics模块，其中包含了用于评估分类模型的各种指标。通过调用对应的函数，可以计算出准确率、精确率、召回率、F1值和ROC AUC值等指标。