1混淆矩阵
在分类任务下，预测结果与正确标记之间存在四种不同的组合，构成混淆矩阵（适用于多分类）
TP = True Possitive
FN = False Negative
2精确率（Precision）与召回率（Recall）
- 精确率：预测结果为正例样本中真实为正例的比例
- 召回率：真实为正例的样本中预测结果为正例的比例（查得全，对正样本的区分能力）
还有其他的评估标准，F1-score，反映了模型的稳健型。
3分类评估报告API
- sklearn.metrics.classification_report(y_true,y_pred,labels=[],target_names=None )
- y_true：真实目标值
- y_pred：估计器预测目标值
- labels：指定类别对应的数字
- target_names：目标类别名称
- return：每个类别精确率与召回率
假设这样一个情况，如果99个样本癌症，1个样本非癌症，不管怎样我全都预测正例（默认癌症为正例），准确率就为99%但是这样效果并不好，这就是样本不均衡下的评估问题
准确率：99%
召回率：99/99 = 100%
精确率：99%
F1-score：2*99%*100%/ 199% = 99.497%
问题：如何衡量样本不均衡下的评估？
答：ROC曲线与AUC指标
