sklearn.metrics.classification_report模块
一.介绍
多分类任务评估指标生成工具，指标如Precision，Recall, F1。
二.函数
sklearn.metrics.classification_report
(y_true, y_pred, labels=None, target_names=None
, sample_weight=None, digits=2, output_dict=False)
参数：
y_true: 类别的真实标签别表
y_pred: 预测值的标签列表
labels: 报告中要包含的标签索引的可选列表；建议设置，预防报错，设置方法(即异常解决方法)：labels=range(len(你的标签数))，即多分类任务的总类目数。如果不设置，当你测试集样本中的标签数没有完全覆盖总标签数时，就会报错：比如你总标签类别为1000个，但在你的测试集中包含的标签类别只有999个，就会报不匹配错误；
target_name: 与标签匹配的名称，与labels映射的标签真实名字，如三分类，labels=[0,1,2],target_names=[消极,中等,积极]
sample_weight:设置权重的参数，一般不用，需要就可以用；
digits:指定输出格式的精确度；
output_dict:一般不用；如果为True，则将输出作为dict返回
返回示例：
五列数据，第一列为label对应的target_name, 后四列为评估指标：precision，recall，F1-score, support
在这个报告中：
- support：当前行的类别在测试数据中的样本总量；
- precision：精度=正确预测的个数(TP)/被预测正确的个数(TP+FP)；即模型预测的结果中有多少是预测正确的
- recall:召回率=正确预测的个数(TP)/预测个数(TP+FN)；即某个类别测试集中的总量，有多少样本预测正确了；
- f1-score:F1 = 2*精度*召回率/(精度+召回率)
- micro avg：计算所有数据下的指标值，假设全部数据 5 个样本中有 3 个预测正确，所以 micro avg 为 3/5=0.6
- macro avg：每个类别评估指标未加权的平均值，比如精准率的 macro avg，
(0.50+0.00+1.00)/3=0.5 - weighted avg：加权平均，就是测试集中样本量大的，我认为它更重要，给他设置的权重大点；比如第一个值的计算方法，
(0.50*1 + 0.0*1 + 1.0*3)/5 = 0.70