分类预估评价函数 ——classification_report

classification_report用来分析不同类别的准确率，召回率，F1值等，从而便于按照类别查看准确率、召回率。

一.首先介绍下精确率和召回率

精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。

而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。

TP: 正类预测  正类标签

FP:正类预测  负类标签

TN: 负类预测  负类标签

FN：负类预测  正类标签

二.评价函数

准确率/精度(precision) = 正确预测的个数/被预测正确的个数即：TP/(TP+FP)

召回率(recall)=正确预测的个数/预测个数即：TP/(TP + FN)

F1-score= 2*精度*召回率/(精度+召回率)

示例

from sklearn.metrics import classification_r