sklearn中，二分类的precision_score, recall_recore,f1_score

precision_score：精确率，查准率
$$P=\frac{TP}{TP+FP}$$

#	假设二分类标签为1，2
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
precision_score(y_true, y_pred, average="binary", pos_label=1)
# pos_label设置为1，代表标签为1的样本是正例，标签为2的样本是负例。

accuracy_score：准确率
$$Acc=\frac{TP+TN}{TP+FP+TN+FN}$$

#	假设二分类标签为1，2
accuracy_score(y_true, y_pred)

recall_score：召回率，查全率
$$R=\frac{TP}{TP+FN}$$

#	假设二分类标签为1，2
recall_score(y_true, y_pred, average="binary", pos_label=1)

f1_score: F1值
$$F1=\frac{2\ast P\ast R}{P+R}$$

#	假设二分类标签为1，2
f1_score(y_true, y_pred, average="binary", pos_label=1)

附：二分类的混淆矩阵

真实情况	预测结果
	正例	反例
正例	TP（真正例）	FN（假反例）
反例	FP（假正例）	TN（真反例）