基础知识
混淆矩阵（Confusion Matrix）
可以看出来类别之间相互误分的情况，查看是否有特定的类别相互混淆，能够帮我们调整后续模型，比如一些类别设置权重衰减。
精度（Precision）
precisoin即准确率，也称查准率。
精确率表示模型预测为正类别的样本中有多少是真正的正类别。
准确率（Accuracy）
正确分类的样本占总样本数的比例。
召回率（Recall）
recall是召回率 ，也称查全率
在所有实际为正类别的样本中，模型能够正确预测为正类别的比例。
高召回率意味着模型能够有效地捕捉到实际为正类别的样本。
与Precision的关系：负相关。
F1分数（F1-score）
F1 分数的取值范围是 [0, 1]，越接近 1 表示模型的性能越好，同时考虑到了模型在查准率和查全率之间的平衡。
示例1：
y_true = [1, 2, 3, 1, 2, 3, 1, 2, 3]
y_predicted = [1, 2, 3, 3, 2, 1, 3, 2, 3]from sklearn.metrics import classification_report
print(classification_report(y_true, y_predicted))
输出结果：
可以加上target_names参数
效果如下：
print(classification_report(y_test, y_predicted, target_names=['a类', 'b类', 'c类']))
如图左边显示出了新传入的标签名。
示例2：
from sklearn.metrics import classification_report
Y_test=[0, 0, 0, 0, 0, 1, 1, 1, 1, 1]
Y_prediction=[0, 1, 0, 0, 0, 1, 1, 0, 0, 1]
print(classification_report(Y_test,Y_prediction))
输出结果：
得到该10个数据的二分类的分类报告：
先画个混淆矩阵：
给出了每类别对应的精度（Precision）、召回率（Recall）F1分数（F1-score）、真实中有多少个是该类别的（Support）、准确率（Accuracy）、宏平均（macro avg）和加权平均（weighted avg）。
Precision：预测为x的样本中，有多少被正确预测为x。
Precision_0=4/(2+4)=0.67
Precision_1=3/(3+1)=0.75
Recall：实际为x的类别中，有多少预测为x。
Recall_0=3/5=0.60
Recall_1=4/5=0.80
F1分数：2×Precision×Recall /(Precision+Recall)。
Accuracy：全部样本里被分类正确的比例。
Accuracy=7/10
macro avg：上面类别各分数的直接平均。
macro avg_precision=(0.67+0.75)/2=0.71
weighted avg：上面类别各分数的加权（权值为support）平均。
macro avg_precision=(0.675+0.755)/10=0.71
